Anda di halaman 1dari 75

115

Bab
Model Normatif

Model normatif mencari apa yang harus dipilih atau
dilakukan di antara alternatif yang wajar dan mungkin, dan
juga biasa disebut bersifat menentukan (prescriptive). Kriteria
untuk menentukan model normatif harus operasional dan
dapat diimplementasikan. Dengan perkataan lain, kriteria
harus dapat menyelekasi sebuah bentuk dari peubah yang
dapat dikontrol dengan tiga sifat (1) dapat dijangkau
(obtainable), (2) terbaik (optimal), dan (3) dapat digunakan
(applicable).
Sebetulnya, kita dapat menunjukkan bahwa model
normatif juga terdiri dari model deskriptif. Kita dapat berpikir
dari setiap individu baris dari sebuah matriks keputusan
sebagai suatu bentuk berbeda dari sebuah model deskriptif.
Kriteria keputusan beroperasi dalam hubungannya dengan
pencarian kemampuan model, membentuk inti dari apa yang
Bab 3Model Nor mat i f 116

dimaksud normatif. Kriteria keputusan akan berbeda sesuai
dengan banyaknya kemungkinan kondisi alam dari model
deskriptifnya. Jadi, model normatif bisa beroperasi dalam
sebuah kerangka kepastian, risiko, dan ketidakpastian. Model
normatif pertama yang akan dibahas adalah model pengujian
(test model).
1. Model Pengujian
Sebuah kategori penting dari sebuah model normatif
adalah yang memberikan sebuah kriteria pengujian. Fungsi
dari sebuah model pengujian adalah mengkonfirmasi atau
menolak hipotesis yang mendasari konstruksi model. Untuk
mengilustrasikan, kita dapat menguji air mandi yang
menyebabkan pencemaran (polusi). Kita setuju untuk
membolehkan orang mandi jika banyaknya bakteri yang
berbahaya (seperti bakteri coliform) dalam kandungan air
mandi tersebut di bawah level tertentu. Sebuah model
pengukuran deskriptif bertanggung jawab untuk penentuan
numerik atau kualitatif berapa banyak bakteri yang ada dari
setiap tipe. Pengukuran jika kualitatif, bisa bukan berarti apa-
apa, tidak lebih dari sebuah perbandingan dalam sebuah
standar untuk menentukan apakah bakteri yang ada di dalam
sampel lebih atau kurang daripada ketentuan yang ada di
dalam standar. Standar dan aturan untuk menolak berfungsi
sebagai kriteria pengujian model.
Model pengujian sering memasukkan sebarang standar
(dalam arti penilaian individu). Misalnya, penentuan laju
Bab 3Model Nor mat i f 117

pekerjaan berdasarkan pada suatu norma kinerja, keputusan
untuk tidak melanjutkan sebuah pertunjukan televisi (TV) jika
penilaian jatuh di bawah suatu level tertentu; mempekerjakan
seorang karyawan yang melewati sebuah skor pengujian
personel yang dipilih sebarang; sebuah batas bagan kontrol
yang apabila dilanggar sistem berhenti, tanda untuk tindakan
melokalisir sebuah sebab yang dapat ditetapkan untuk
perubahan yang mungkin dalam bentuk tujuan fundamental.
Tidak ada garis kritis terhadap berapa banyak bakteri coliform
dapat dibolehkan sebelum merusak kesehatan. Dalam hal ini,
sebarang standar sering dapat didukung dengan model
pengujian kuantitatif yang menentukan derajat hubungan
antara faktor-faktor yang berhubungan seperti banyaknya
bakteri coliform dan pengaruhnya terhadap kesehatan.
Model pengujian juga digunakan untuk menerima atau
menolak sampel yang diambil dari anggota sebuah populasi
yang khusus. Asumsikan bahwa eksekutif akan mengetahui
berapa lama daya tahan dua jenis barang seperti ban yang
berbeda untuk truk pengangkut pasir. Ia mendapat sebuah
sampel berukuran 10 dari setiap jenis dan menempatkannya
pada truk pada waktu yang sama. Setiap terjadi kerusakan ban
dilaporan pada eksekutif. Hal ini dapat dibandingkan dengan
cara model pengujian statistis untuk menentukan apakah dua
jenis ban tersebut berbeda secara signifikan. Tetapi, dapatkah
eksekutif meyakini bahwa ban-ban itu representatif dari dua
jenis produk perusahaan? Barangkali satu kumpulan ban lebih
tua dari kumpulan yang lain. Apakah truk-truk itu mengguna-
kannya dengan cara yang sama? Banyak pertanyaan lain yang
serupa harus dijawab jika eksekutif akan mengambil
Bab 3Model Nor mat i f 118

kesimpulan menyangkut jenis ban mana yang akan dibeli di
masa yang akan datang.
Terdapat berbagai rancangan eksperimen untuk menilai
rerata yang diambil di dalam sebuah sampel himpunan data
yang datang dari populasi hipotetisnya. Ada juga pengujian lain
untuk variasi; pengujian untuk bentuk sebaran, dan pengujian
untuk mendeteksi perubahan dari sebuah sistem yang stabil.
Pengujian statistis seperti ini diperlukan apabila anggota
populasi dapat memperkenalkan variasi acak.
Dua jenis kesalahan yang dapat dibuat apabila sebuah
kriteria penerimaan atau penolakan pengujian digunakan. Dua
jenis kesalahan ini diindikasikan sebagai kesalahan jenis I dan II
di dalam matriks Tabel 3.1. H
0
dan H
1
dalam tabel ini biasa
disebut hipotesis kerja atau hipotesis statistis yang selalu
dirumuskan apabila pengujian statistis akan digunakan. Jika H
0

benar dan keputusan yang dibuat menerimanya, keputusan
yang diambil adalah tepat. Begitu pula jika H
0
salah dan ditolak
maka juga merupakan keputusan yang tepat. Sebaliknya, jika
H
0
benar, tetapi keputusan menolaknya maka terjadi
kesalahan jenis I, yaitu menolak hipotesis H
0
yang benar.
Peluang melakukan kesalahan jenis I ini diberi notasi o (baca;
alpha), sehingga disebut kesalahan alpha. Begitu pula jika H
0

salah sedangkan keputusan menerimanya, terjadi kesalahan
jenis II, dan peluang melakukan kesalahan ini diberi notasi |
(baca; beta) dan disebut kesalahan beta.
Tabel 3.1 Dua kesalahan dalam pengujian hipotesis
Kenyataan (state of nature)
Bab 3Model Nor mat i f 119

H
0
benar H
0
salah
Keputusan
pengujian
Menerima
H
0

Keputusan tepat Kesalahan jenis II
Menolak H
0
Kesalahan jenis
I
Keputusan tepat
Hampir tidak disadari, manajer mengambil upaya yang
lebih besar untuk mencegah terjadinya kesalahan jenis II (yang
jelas terlihat) daripada mencegah terjadinya kesalahan jenis I
(yang tidak siap terlihat).Adalah sulit untuk mengevaluasi jalur
yang tidak pernah dilalui, untuk menilai mana yang harus
ditolak.Gambar 3.1 mengilustrasikan bagaimana kita dapat
memperkecil peluang kesalahan jenis I dengan menggeser
kriteria pengujian ke kanan.Namun, kita kemudian
meningkatkan peluang terjadinya kesalahan jenis II.Walau pun
kurang menyadari hubungan yang khas ini, eksekutif sering
meminta bahwa kriteria pengujian digeser ke kiri, yakni sebuah
kriteria pengujian yang keras.Kondisi ini meningkatkan
banyaknya penolakan dan direfleksikan dalam sebuah peluang
kesalahan jenis I yang lebih besar. Manajemen yang
terinformasi dan canggih akan menyenangi keseimbangan
yang lebih baik antara dua jenis kesalahan ini. Harus disadari
bahwa terdapat biaya kesempatan (opportunity cost) terlibat
dalam penolakan alternatif yang berpotensi menguntungkan.
Distribution of H
1



Bab 3Model Nor mat i f 120

Distribution of H
0








Gambar 3.1 Hubungan antara kesalahan jenis I dan II
Kita melihat mengapa model kualitatif yang intuitif tidak
dapat bersandar pada jenis keadaan nyata yang sesungguhnya.
Secara formal, model pengujian kuantitatif jauh lebih dapat
memberitahukan kita apa yang harus dikerjakan. Namun, kita
tidak dapat menggunakan model pengujian statistis pada
setiap masalah. Penilaian harus terus menerus dilakukan untuk
melengkapi satu bagian penting dari spektrum model
pengujian. Kebanyakan keputusan eksekutif akan terus
didasarkan pada hasil pengujian kualitatif.
Dalam kondisi riil, setiap pernyataan finansial diuji oleh
penilaian eksekutif. Keputusan kapan penjualan harus
diturunkan begitu banyak sehingga sesuatu harus dilakukan
tentang itu sebagai sebuah contoh model pengujian kualitatif
dari kepentingan utama dalam setiap kehidupan eksekutif.
Seperti juga, pada titik apa penjualan harus dinaikkan untuk
menjamin pembangunan sebuah rencana baru? Kapan biaya
Bab 3Model Nor mat i f 121

pertumbuhan terlalu besar? Berapa banyak ketidakhadiran
yang bisa dinilai terlalu banyak? Apa yang mengindikasikan
bahwa sesuatu harus dilakukan tentang penyerobotan? Kapan
eksekutif harus mempekerjakan satu penjual barang yang lain?
Asumsikan bahwa ada sebuah kriteria pengujian yang
dapat diterima, berapa banyak pengamatan harus dibuat
untuk setiap situasi sebelum kita dapat secara wajar meyakini
bahwa sebuah perubahan nyata harus terjadi dan kita tidak
hanya mengamati variasi acak? Kita harus menentukan satu
standar untuk kepastian yang wajar. Semua kriteria pengujian
seperti itu berdasarkan pada model keputusan dalam hak
mereka.
Bergantung berlebihan pada model pengujian dapat
menghasilkan masalah administrasi. Ketika laporan pengujian
mengindikasikan bahwa ada perubahan yang terjadi, namun
tidak ada tindakan diambil, hal ini merupakan tanda-tanda
perubahan yang dapat menggerakkan tindakan eksekutif.
Ketergantungan pada model pengujian dapat merusak inisiatif
eksekutif, dan dalam sebuah cara tertentu, mengalihkan
keuntungan fundamental dari model pengujian ke dalam
bentuk kerugian.
2. Model Pencarian untuk Pendekatan Berurutan
Setelah mendiskusikan model menerima/menolak (dua
strategi), kita sekarang mempertimbangkan model dengan
banyak alternatif strategi. Asumsikan bahwa kita sudah
menurunkan semua hasil yang relevan dan hasil sudah
Bab 3Model Nor mat i f 122

ditansformasikan ke dalam keuntungan. Bagaimana kita
memilih strategi yang menghasilkan keuntungan banyak?
Terdapat dua prosedur kualitatif dan kuantitatif untuk
mendapatkan yang terakhir ini.
Kita dapat mendaftar aturan umum untuk diikuti dalam
mencari keuntungan optimal.
1. Kita menentukan keuntungan terbaik yang ada dan harus
mengetahui tujuan yang akan dicapai.
2. Kita harus mengetahui strategi yang ada, keadaan alam
yang terjadi dan berbagai kemungkinan strategi yang
bersaing. Strategi pembuat keputusan harus dipandang
sebagai gabungan dari peubah-peubah yang mempunyai
kemungkinan nilai yang terdapat sepanjang sebuah
kemalaran (continuity).
3. Dengan suatu bentuk penyederhanaan (seperti mendapatkan
nilai harapan), hanya satu hasil yang harus dikaitkan
dengan setiap strategi. Transformasi seperti itu tidak
diperlukan untuk model keputusan (dengan tujuan tunggal)
yang beroperasi di bawah situasi kepastian karena hanya
ada satu kolom permulaan dan hanya satu keuntungan di
dalam setiap sel dari matriks keputusan.
4. Tidak semua keuntungan harus diselidiki, karena akan
terlalu lama jika ada banyak jenis keuntungan yang
tersedia. Kemudian, berdasarkan logika, intuisi, inteligensi
heuristik, kita memulai pencarian dengan memilih satu atau
lebih strategi yang harus (dalam pikiran kita) membawa
pada keuntungan yang secara rasional bagus.
Bab 3Model Nor mat i f 123

5. Ukuran keuntungan dapat kemudian dibandingkan dengan
keuntungan yang akan dihasilkan dari kondisi peubah-
peubah yang agak ekstrem. Kondisi yang ekstrem harus
dipilih sehingga mereka menyatakan strategi yang
mungkin, walau pun tidak harus rasional. Jika mungkin,
kondisi ekstrem harus memuat diantaranya strategi rasional
yang dipilih. Keuntungan yang diturunkan dalam cara ini
kadang-kadang dapat mendeteksi bahwa logika dan akal
sehat mengagalkan kita karena keuntungan ekstrem yang
baik sering tidak diharapkan. Umumnya, keuntungan dapat
juga mengindikasikan bahwa satu arah di mana satu peubah
diganti adalah superior pada arah berlawanan.

Gambar 3.2 Melokalisir keuntungan optimum dengan cara
heuristik
Gambar 3.2 mengilustrasikan catatan ini. Asumsikan
bahwa persamaan untuk garis kurva y=f(x) tidak diketahui,
tetapi dapat diturunkan dengan melakukan eksperimen
untuk setiap nilai x. Yakni, untuk setiap nilai x kita dapat
menurunkan nilai y yang sesuai dengan mengamati dan
Bab 3Model Nor mat i f 124

akhirnya hasil akan menunjukkan kepada kita bentuk tepat
dari ekspresi y=f(x). Bagaimana dengan sejumlah upaya
yang wajar kita dapat menemukan nilai maksimum dari y
(diindikasikan dengan y*)? Kita harus mengasumsikan
bahwa hal itu sangat mahal apabila kita menghitung cukup
banyak nilai (x,y) untuk menggambarkan kurva. Untuk
kasus dua dimensi sederhana,hal ini mungkin kehilangan
sebuah pengendalian yang tidak rasional. Tetapi, apabila
ditunjukkan bahwa sebuah masalah yang realistis akan
melibatkan sebuah permukaan dalam ruang multi dimensi,
adalah asumsi masuk akal.
Keuntungan adalah y dan x adalah peubah di bawah
kontrol. Kita sedang mencoba melokalisir nilai optimum
(maksimum) dari y, dinyatakan oleh y*. Mari kita memilih
x=c dan x=d sebagai strategi rasional. Kita memilih x=a
dan x=b adalah dapat dikerjakan dengan mudah tetapi
nilainya ekstrem. Untuk kasus yang ditunjukkan, masalah
pencarian adalah secara khusus sulit karena kurva tidak
secara monoton menurun pada dua sisi dari nilai
maksimum. Dalam perkataan lain, ada dua maksimum
yang ditunjukkan, hanya satu yang maksimum global atau
mutlak. (Jenis alasan yang sama dapat diterapkan pada
minimum juga). Kita menemukan nilai y pada nilai
ekstrem a hampir sama pada keuntungan dari stsrategi
rasional c. Hal ini membimbing kita untuk memeriksa
beberapa lagi titik yang jatuh antara a dan c. Kedua nilai y
yang dihasilkan oleh b dan oleh d adalah lebih rendah
daripada nilai y yang diperoleh dari a dan dari c. Hal ini
akan mengindikasikan bahwa keuntungan cenderung
menurun jika nilai x meningkat di atas c.
Bab 3Model Nor mat i f 125

Tidak ada kepastian dalam pengandaian ini. Kurva antara b
dan d dapat tiba-tiba naik dan dalam sebuah rentang yang
sangat kecil dari x mencapai maksimum global dari sistem.
Fakta bahwa hal itu tidak terjadi (dalam kasus ini) untuk
mempertahankan sifat kelembaman yang biasa dan kondisi
momentum dalam sistem. Tetapi, jika itu berjalan berten-
tangan dengan harapan, kita mungkin harus menjelaskan
perilaku ini sebagai pengaruh interaksi yang terkait dengan
perubahan fundametal yang terjadi dalam sebuah sifat
sistem sebagai hasil dari amban batas khusus yang
dilanggar.
6. Kondisi wajar harus dicoba dalam dua arah untuk melihat
adanya perbaikan. (Hasil yang diperoleh pada ekstrem juga
harus dipertahankan dalam pikiran.) Jika peningkatan
diamati, satu perubahan bertahap yang lain harus dibuat,
dan proses ini berlanjut sampai tidak ada lagi peningkatan
yang dapat dicapai. Dalam bentuk Gambar 3.2, kita sudah
mengubah c dan d dengan jumlah + dan yang kecil. Kita
mengamati peningkatan signifikan pada c yang
membimbing kita untuk melanjutkan dalam arah ini.
Harapan kita bahwa pada akhirnya kita mencapai y* (atau
dekat padanya).
Keuntungan dan kerugian dari prosedur pencarian kualitatif
dan heuristik adalah bukti yang rasional. Adalah hal sederhana
untuk mengabaikan puncak-puncak yang penting, walau dalam
sebuah bidang dua dimensi. Dengan permukaan yang
kompleks dalam ruang dimensi n, masalah sangat sulit.
Namun, dengan menggunakan prosedur sistematis adalah
mungkin mendapatkan peningkatan keuntungan yang
signifikan, walau pun dengan metode secara langsung cut-and-
Bab 3Model Nor mat i f 126

try. Pencarian heuristik untuk keuntungan optimal dapat
memerlukan waktu banyak (time consuming). Semua hasil
penting untuk dicatat sehingga arah yang memberi hasil dalam
peningkatan dapat diingat dan kita dapat menghindari
keharusan kembali ke dasar yang sama.
1. Metode iteratif
Metode iteratif menerapkan cara heuristik yang
menjanjikan peningkatan sistem dalam siklus berulang.
Apabila potensi peningkatan lebih lanjut menghilang atau
menjadi sangat kecil, penggunaan algoritma dihentikan. Kita
dapat melihat operasi jenis ini dalam contoh di atas. Satu lagi
model pencarian dari kelas yang sama yang cukup berguna
untuk menjamin inclusion di sini adalah aturan Newton untuk
menemukan alur dari sebuah persamaan melalui pendekatan
berurutan.
2. Metode Newton
Asumsikan bahwa kita ingin menyelesaikan persamaan
berikut: f(x)=3x
2
+5x-2. Persamaan ini sederhana untuk
difaktorkan dan diselesaikan. Jadi: (x+2)(3x-1)=0, akarnya
adalah -2 dan +1/3. Banyak persamaan (khususnya yang
mempunyai derajat lebih tinggi) tidak memungkinkan dirinya
sendiri pada penyelesaian mudah seperti ini.
Kita tertarik untuk mendapatkan akar dari banyak
persamaan. Transformasi ke faktor-faktor adalah berguna
untuk variasi operasi matematis. Juga harus dicatat bahwa jika
aturan Newton digunakan pada persamaan dari turunan
pertama f(x), nilai x di mana f(x)=0 adalah akar yang
Bab 3Model Nor mat i f 127

mengindentifikasikan titik maksimum dan minimum dari
persamaan semula. Di samping menunjukkan kegunaannya,
tujuan kita dalam diskusi ini adalah untuk memberikan contoh
lebih lanjut kelas dari model pencarian iteratif.
Mari kita mengasumsikan bahwa kita tidak mengetahui dua
akar persamaan f(x). Kita mulai dengan menaksir nilai-nilai
mereka sebaik mungkin. Nilai-nilai ini memberikan titik awal
untuk setiap proses iteratif satu untuk setiap akar. Untuk
contoh ini, akar-akar ditaksir dengan -1 dan . Kita akan
menyatakan taksiran x
k
, dan peningkatan pendekatan x
k+1
.
Kemudian, menurut aturan Newton,
X
k+1
=x
k
-
k
k
f (x )
f '(x )
.
diterapkan dalam cara berikut untuk akar pertama (ditaksir
dengan -1):
Iterasi pertama:
Kita memiliki f(x)=3x
2
+5x-2 dan f(x)=6x+5.
Untuk x
k
=-1, f(x
k
)=3(-1)
2
+5(-1)-2=-4, f(x
k
)=6(-1)+5=-1.
Jadi, x
k+1
=-1-
4
1
| |
|

\ .
=-5.
Turunan pertama persamaan f(x)=6x+5=0. Dengan demikian,
kita tidak memerlukan aturan Newton dalam kasus sederhana
ini untuk menentukan titik minimum dari persamaan. Titik
minimum itu didapat secara langsung untuk x=-5/6.
Iterasi kedua:
Bab 3Model Nor mat i f 128

Untuk x
k+1
=-5, f(x
k+1
)=3(-5)
2
+5(-5)-2=48, f(x
k+1
)=6(-5)+5=-25.
Jadi, x
k+2
=-5-
48
25
| |
|

\ .
=-5+1,92=-3,08.
Dengan cara sama, kita dapat menemukan hasil sebagai
berikut:
Tebakan 1: x
1
=-1 x
2
=-5
Tebakan 2: x
2
=-5 x
3
=-3,08
Tebakan 3: x
3
=-3,08 x
4
=-2,6
Tebakan 4: x
4
=-2,6 x
5
=-2,02
Karena -2,00 adalah satu dari akar persamaan ini, kita sekarang
melihat bagaimana cepatnya model Newton menempatkan
penyelesaian ini dengan cara iteratif mencari pola. Pendekatan
yang sama sekarang digunakan untuk mendekati akar kedua.
Semua model deskriptif dan secara khusus simulasi
dengan komputer dapat digunakan secara efektif dalam arti
normatif dari pendekatan berurutan ke sebuah nilai optimal.
Metode heuristik yang digunakan untuk memodifikasi sistem
peubah yang dapat dikontrol adalah bersifat eksternal
terhadap model.Setiap bentuk baru model menghasilkan
keuntungan khususnya sendiri. Bentuk menghasilkan
keuntungan dalam cara sama ketika kita mencari sebuah
maksimum global sepanjang kurva. Masalah yang sama ada.
Kita bisa saja tidak pernah menemukan nilai optimum mutlak
dari sistem.Jika kita mempunyainya, kita mungkin tidak selalu
mengetahuinya dengan pasti.
Bab 3Model Nor mat i f 129

7. Model Pencarian untuk Pengoptimalan
Metode pengoptimalan matematis yang tepat dan formal
adalah satu bagian integral dari banyak model normatif.
Terdapat metode yang sangat halus tersedia untuk pencarian
melalui sejumlah besar hasil untuk mendapatkan satu (atau
beberapa) yang secara persis memaksimumkan derajat
pencapaian tujuan. Salah satu metode adalah penggunaan
turunan (derivatie).
1. Turunan
Satu dari metode yang tertua dan umumnya sangat
berguna dengan menggunakan turunan dari sebuah
persamaan matematis yang disamakan dengan nol. Kita
menggunakan turunan untuk menemukan strategi harga
penjualan yang optimal. Persamaannya adalah
p=2.500 s 2.000 s
2
450
di mana p=keuntungan (profit) dan s=harga penjualan (sales
price). Setiap titik sepanjang kurva adalah sebuah hasil
keuntungan p yang diperoleh dari sebuah strategi harga s yang
berbeda. Turunan dari persamaan adalah sebuah ukuran dari
tanjakan (slope) dari kurva pada setiap titik. Dalam perkataan
lain, tanjakan itu mengukur laju perubahan dari keuntungan
dibandingkan kepada laju perubahan harga.
Pada tiga tempat dalam Gambar 3.3, ditunjukkan sebuah
hubungan turunan yang diperbesar.Tanjakan dari dp
1
/ds
1

adalah positif karena p meningkat apabila s meningkat.
Tanjakan dari dp
3
/ds
3
negatif karena p meningkat apabila s
Bab 3Model Nor mat i f 130

menurun. Di suatu tempat di antaranya, tanjakan berubah
tanda dari positif ke negatif. Hal ini terjadi apabila tanjakan
sama dengan nol. Tanjakan dari dp
2
/ds
2
adalah sedikit positif.
Apabila titik dari garis singgung (tangency) bergerak ke kanan,
tanjakan mendekati nol.

Gambar 3.3 Penggunaan turunan untuk mendapatkan nilai
optimal
Turunan dari persamaan keuntungan adalah
dp/ds=2.500 4.000 s.
Karena tanjakan dari kurva adalah nol pada titik maksimum,
kita dapat menetapkan turunan sama dengan nol dan
Bab 3Model Nor mat i f 131

menghasilkan nilai s yang memenuhi kondisi ini, yaitu 0=2.500
- 4.000 s dan menghasilkan s=0,625. Turunan sering dapat
digunakan dalam cara ini untuk menemukan hasil sebaik
mungkin (best possible) dan strategi yang menghasilkannya
memiliki kemungkinan yang tidak terhitung banyaknya.
2. Sudut optimal
Sejumlah besar model nilai optimal berdasar pada
penyelesaian pertidaksamaan dan bukan persamaan. Sebuah
persamaan selalu mempunyai tanda sama dengan, misalnya
ax+by=c. Sebuah pertidaksamaan dapat mempunyai bentuk
bervariasi:
Lebih besar dari: ax+by>c
Sama atau lebih besar dari: ax+by>c
Kurang dari: ax+by<c
Sama atau kurang dari: ax+bysc
Pemahaman tentang pertidaksamaan sangat penting
terhadap proses pembuatan keputusan. Mengapa begini?
Kemudian, kita dapat menunjukkan bagaimana nilai optimal
untuk ketidaksamaan ditentukan oleh cara metodologis. Untuk
memulai, asumsikan bahwa seorang pembuat gula-gula atau
permen (confectioner) berupaya menemukan campuran
permen optimal untuk sebuah kotak permen cokelat. Terdapat
dua jenis permen (katakan C
1
dan C
2
) yang harus diisikan
kepada kotak tersebut. Sebuah matriks dibuat untuk ciri kritis
dari setiap jenis permen yakni sifat-sifat itu tampaknya penting
Bab 3Model Nor mat i f 132

untuk menentukan campuran optimal. Jadi, kondisi ini dapat
diberikan oleh contoh berikut:
C
1
C
2
Kotak
Banyaknya keping x Y 35 (banyaknya keping)
Berat per keping 1,6 0,8 32 (berat total)
Ruang per keping 2,0 1,0 65 (ruang total)
Biaya per keping 0,02 0,01 0,6 (biaya total)
Sesuai contoh ini, pabrik ingin supaya kotak diisi dengan berat
32 ons (satu standar kotak 2-pound). Ia menginginkan 35
keping permen cokelat dalam setiap kotak dan biaya permen
cokelat ini 0,60 dollar. Dapatkah ia mendapatkan segala apa
yang diinginkan? Pertanyaan lebih luas dapat juga ditanyakan:
Dapatkah ia mendapatkan setiap yang diinginkan? Mari kita
melihat.
Terdapat x keping permen jenis C
1
dan y keping jenis C
2
dan
keseluruhan keping permen harus 35, yakni harus memenuhi
persamaan:
x+y=35.
Supaya juga keseluruhan ruang yang digunakan harus 65 inci
per segi di mana setiap keping jenis C
1
membutuhkan 2 inci per
segi dan jenis C
2
membutuhkan 1 inci per segi, diperoleh
persamaan:
2x+y=65.
Bab 3Model Nor mat i f 133

Dua persamaan ini hanya mempunyai satu penyelesaian, yaitu
x=30 dan y=5. Jika kita memasukkan nilai-nilai ini ke dalam
persamaan biaya,
0,02x+0,01y=biaya,
kita menemukan bahwa biaya sama dengan 0,65 dollar yang
lebih besar daripada yang akan dikeluarkan oleh pabrik.
Tidak mungkin untuk mendapatkan semua tujuan jika ia
ingin memiliki persis yang dipersyaratkan dalam daftar. Tetapi,
mari kita meminta kepada pabrik untuk menyatakan kembali
persyaratan dalam bentuk ketidaksamaan. Ia mungkin akan
menyadari bahwa ketidaksamaan adalah apa yang sebenarnya
dimaksudkan untuk dikatakan pada tempat pertama. Misalnya,
banyaknya keping cokelat dapat 35 atau lebih (Sebuah kotak
kecil akan secara kompetitif mudah dikritik), sehingga
persyaratannya menadi:
x+y>35.
Sesuai fakta, makin banyak jumlah x dan y makin baik
sepanjang biaya per kotak tidak melebihi 0,60 dollar. Jika biaya
lebih dari 35 keping dapat kurang dari 0,60 dollar pabrik akan
sangat senang. Dalam perkataan lain, akan lebih baik jika
0,02x+0,01ys0,60.
Selama berat menjadi perhatian, kotak harus berisi sekuarng-
kurangnya 32 ons sehingga kotak dapat berkompetisi di pasar
2-poud. Barangkali, beratnya dapat lebih sepanjang tidak ada
efek samping yang mengganggu (misalnya meningkatkan biaya
transportasi). Kita akan menghasilkan bahwa kotak yang berat
Bab 3Model Nor mat i f 134

lebih dapat diterima jika batasan biaya dipenuhi. Dengan
demikian diperoleh:
1,6x+0,8y>32.
Akhirnya pembuat permen menunjukkan bahwa cara
mengisi keseluruhan ruang yang dibutuhkan oleh permen di
dalam kotak dapat merentang dari 40 inci per segi ke 65 inci
per segi. Kita melihat penggunaan cara ketidaksamaan ini
dengan mempelajari Gambar 3.4. Setiap pernyataan dalam
bentuk persamaan digambarkan pada grafik. Kita mengamati
bahwa garis utuk pernyataan ruang di 40 inci persegi tepat
sama dengan batasan berat. Akibatnya, kita hanya perlu
menggambar satu garis pada grafik untuk menyatakan kedua
persyaratan. Jika kita sekarang mengalihkan persamaan ke
pertidaksamaan, setiap garis digambar pada bagan menjadi
batas (bondary). Semua nilai dijelaskan oleh pertidaksamaan
x+y>35 terletak pada atau di atas garis x+y=35. Dalam cara
sama, semua nilai dari 1,6x+0,8y>32 terletak pada atau di atas
garis 1,6x+0,8y=32. Itulah sebabnya daerah yang dibayang-
bayangi adalah di atas dua garis ini. Tidak ada nilai yang
terletak di bawah garis ini dapat digunakan.
Bab 3Model Nor mat i f 135


Gambar 3.4 Penyelesaian grafis ketidaksamaan
Serupa juga, 0,02x+0,01ys0,60 menjelaskan semua titik
pada garis 0,02x+0,01y=0,60 dan semua titik di bawah garis
itu. Tiga pertidaksamaan ini mendefinisikan keseluruhan
daerah yang dibayang-bayangi yang menentukan hanya satu
daerah di dalamnya ada sebuah penyelesaian. Persyaratan
ruang untuk kotak permen harus jatuh antara dua garis
Bab 3Model Nor mat i f 136

2x+y=65 dan 2x+y=40. Kita melihat bahwa pernyataan ini tidak
relevan karena persyaratan sebelumnya sudah membentuk
daerah yang mungkin untuk sebuah penyelesaian.
Penyelesaian pada persamaan harus terletak di suatu
tempat pada garis itu. Penyelesaian pada pertidaksamaan
dapat terjadi pada garis atau di daerah yang dibatasi oleh
garis. Dalam cara ini, kita disajikan dengan sejumlah lebih
besar penyelesaian alternatif. Setiap titik dalam daerah yang
dibayang-bayangi (termasuk garis) adalah penyelesaian yang
mungkin pada masalah kita.
Sifat dari jenis masalah penerimaan ini diberikan dalam
bentuk teori keputusan sebagai berikut. Matriks keputusan
hanya mempunyai satu kolom. Dengan demikian, model harus
dikelompokkan sebagai pengambilan keputusan dalam kepas-
tian. Setiap titik yang layak menjelaskan sebuah strategi x, y
yang mungkin. Terdapat sangat banyak strategi yang layak
untuk melakukan perhitungan individu dari setiap pembayar-
an, walau pun hanya terdapat satu pembayaran per strategi.
Dalam perkataan lain, setelah meningkatkan banyaknya
strategi yang mungkin yang dapat digunakan, kita tampaknya
menjadikan pekerjaan pembuat keputusan lebih rumit.
Sebenarnya, kita sudah memberikan lebih banyak derajat
kebebasan untuk mendapatkan sebuah penyelesaian optimal.
Batasan kesamaan jarang merefleksikan konsep nyata manajer
dari masalah jenis ini. Selanjutnya, tampak bahwa model
berdasar pada pertidaksamaan memiliki keuntungan
perhitungan yang sangat besar.
Bab 3Model Nor mat i f 137

Metodologi memberitahukan bahwa sebuah penyelesaian
optimal harus terletak pada satu sudut dari segi banyak
(polygon) yang cembung (convex), yakni daerah yang
dibayang-bayangi yang dikonstruksi dengan pertidaksamaan.
Pengetahuan ini menyatakan sebuah keutungan penting. Jadi,
kita hanya perlu mencari titik sudut untuk menemukan
penyelesaian. Tetapi, kadang-kadang penyelesaian optimal
akan terjadi secara simultan pada setiap titik pada satu garis
yang membentuk bagian dari batas pinggir segi banyak. Tetapi
kemudian, penyelesaian optimal yang ekuivalen akan terjadi
pada titik sudut yang berdekatan yang dihubungkan oleh garis
itu. Jadi, situasi ini tidak membatalkan aturan, bahkan
memperluasnya. Kemudian, ketika kita akan mendiskusikan
model pemrograman linear (linear programming) dasar yang
mendasari model ini akan menjadi tampak.
Mari kita melihat pada strategi empat titik sudut yang
ditunjukkan pada Gambar 3.4 sebagai berikut.
Sudut Nilai x Nilai y Berat (ons) Ruang (inci
2
) Biaya ($)
1
2
3
4
0
0
25
5
40
60
10
30
32
48
48
32
40
60
60
40
0,40*
0,60
0,60
0,40*
Tidak ada penyelesaian dengan biaya kurang dari $ 0,40
(diindikasikan oleh *). Pemilik pabrik permen adalah orang
yang rasional dan apabila ia melihat penyelesaian itu, ia
Bab 3Model Nor mat i f 138

senang mengamati bagaimana biaya dapat dihitung sementara
semua persyaratan dipenuhi. Tetapi, ia bisa memutuskan
bahwa x=0 (sudut 1) atau x=5 (sudut 4) menyatakan terlalu
sedikit keping C
1
. Ia kemudian menyatakan bahwa seharusnya
paling sedikit 10 keping C
1
dalam kotak. Kita menggunakan segi
banyak yang sama, tetapi menambah garis x>10, dan ini
diperlihatkan pada Gambar 3.5.

Gambar 3.5 Penyelesaian grafis dari ketidaksamaan dengan
tambahan persyaratan
Nilai dari dua titik sudut baru dari segi banyak adalah:
Bab 3Model Nor mat i f 139

Sudut Nilai x Nilai y Berat (ons) Ruang (inci
2
) Biaya ($)
5
6
10
10
25
40
36
48
45
60
0,45
0,60
Jadi, ia mungkin akan memilih strategi x=10 dan y=25, karena
itu yang menawarkan biaya minimum.
Untuk himpunan persamaan linear yang sangat rumit,
metode terkait juga tersedia yang dapat melokalisir sudut dari
ruang yang berbentuk cembung. Jadi, jika banyak dimensi
(x,y,..., dan seterusnya) yang terlibat di dalam masalah, segi
banyak dibentuk di dalam ruang dimensi n dan tidak dapat
dinyatakan secara visual. Akibatnya, metode lain digunakan
untuk memindahkan dari satu sudut ke sudut yang lain dalam
suatu cara yang selalu meningkatkan hasil. Prosedur iteratif ini
dilanjutkan sampai nilai optimal ditemukan. Suatu titik optimal
khusus didefinisikan oleh koordinat dan titik sudut terpilih,
bukan pendekatan.
8. Metode Kompetitif Klasik
Kita akan menunjukkan cara informasi kualitatif murni
dapat digunakan dalam arti normatif penuh untuk menyelesai-
kan masalah kompetitif klasik. Kita mempertimbangkan
masalah berikut. Perusahaan kita, adalah sebuah pabrik kunci
tradisional membuat bagian pengganti untuk semua butir yang
tidak lagi diproduksi perusahaan. Ia juga membuat sebuah
garis kunci baru (yang sekarang membawa biaya dari bisnis
Bab 3Model Nor mat i f 140

penggantian). Kebijakan perusahaan membawa persediaan
(stock) pada model kuno (obsolete) dalam keyakinan bahwa
pemeliharaan dari pengganti yang baik adalah mutlak penting
untuk bisnis masa depan. Jika perusahaan membebankan
biaya sejumlah yang tepat untuk membuat sebuah
pembayaran atau hanya kembali modal bagian penggantian,
biaya dari bagian-bagian ini akan melebihi yang biasa
(exorbitant), merusak tujuan dari penggantian yang baik.
Perusahaan belajar melalui penjualnya bahwa sebuah
pesaing sedang mempertimbangkan kemungkinan dari pabrik
sebuah bagian penting dari garis penggantian bagian ini. Motif
untuk pergerakan tidak seluruhnya jelas. Tetapi, dapat
diasumsikan bahwa pesaing mengharapkan untuk menghilang-
kan ketergantungan pelanggan pada perusahaan dan untuk
melepaskan satu bagian besar dari perdagangan bangunan
yang sekarang menjadi kewajiban pada kita sebagai penyalur
pertama.
Harapan untuk melihat situasi di dalam cahaya normatif,
masalah keputusan ini diinformasikan oleh kelompok peneliti
operasional perusahaan. Bekerja dalam hubungan dengan
manajemen, mereka merumuskan tiga strategi yang mungkin
untuk perusahaan dan dua untuk pesaing. Kemudian, manajer
pemasaran dari perusahaan membutuhkan hasil yang
ditunjukkan di bawah:
Strategi pesaing
C
1
C
2

Bab 3Model Nor mat i f 141

Strategi
perusahaan kita
S
1
:
S
2
:
S
3
:
O
11

O
21

O
31

O
12

O
22

O
32


S
1
: terus melakukan penggantian;
S
2
: mengumumkan kecurigaan dari kebijakan untuk
melakukan penggantian;
S
3
: berhenti melakukan penggantian;
C
1
: pesaing memutuskan untuk membuat bagian
penggantian;
C
2
: pesaing memutuskan untuk tidak membuat bagian
penggantian;
O
11
: kita kehilangan beberapa pelanggan penggantian tetapi
mendapatkan pelanggan baru, karena harga pesaing
pada garis sekarang harus naik untuk menyerap biaya
penggantian bagian;
O
12
: kita tidak kehilangan pelanggan tetapi terus mendapat
lebih sedikit pelanggan baru daripada yang didapat
pesaing kita (kebijakan sekarang);
O
21
: kita kehilangan lebih banyak pelanggan pergantian
daripada di dalam O
11
, tetapi mendapatkan sekitar
Bab 3Model Nor mat i f 142

jumlah yang sama pelanggan baru seperti dalam O
11
;
O
22
: kita kehilangan lebih sedikit pelanggan penggantian
daripada dalam O
11
dan mendapatkan lebih sedikit
pelanggan baru seperti dalam O
12
;
O
31
: kita kehilangan semua pelanggan penggantian dan
mendapatkan lebih banyak pelanggan baru daripada
dalam O
11
;
O
32
: Kita kehilangan lebih banyak pelanggan penggantian
daripada dalam O
21
dan mendapatkan lebih sedikit
pelanggan baru daripada dalam O
31
.
Hasil ini dapat disederhanakan lebih lanjut dengan analisis
logis pernyataan, dan menghasilkan yang berikut:
O
11
: kehilangan x dan mendapatkan y
O
12
: kehilangan 0 dan mendapatkan y-a
O
21
: kehilangan x dan mendapatkan y
O
22
: kehilangan x-c dan mendapatkan y-a
O
31
: kehilangan semua dan mendapatkan y+c
O
32
: kehilangan x+b+d dan mendapatkan y+c-e
Jika manajer pemasaran dapat menyusun nilai-nilai ini ke
dalam bentuk (x, y, dan seterusnya) yang sesuai pada
tambahan dan kehilangan, ia dapat menyelesaikan masalah
keputusan secara kuantitatif. Tetapi, walau ia tidak dapat
Bab 3Model Nor mat i f 143

menyampaikan bilangan, ia dapat mengurutkan hasil sesuai
penilaian terbaiknya.
Asumsikan bahwa ia sudah mengurutkan hasil dan bahwa
bilangan-bilangan yang muncul dalam matriks pembayaran
tipe-keuntungan di bawah menyatakan urutan ini (1 diberikan
ke pembayaran terjelek; 6 ke yang terbaik).
C
1
C
2
Pembayaran minimum
S
1
:
S
2
:
S
3
:
4
3
1
6
5
2
4**
3
1
Pembayaran maksimum 4* 6
Sekarang, dengan menerapkan kriteria maksimun (**) dan
minimal (*), kita menemukan bahwa perusahaan akan
mengerjakan yang terbaik untuk melanjutkan kebijakannya
sekarang. Kita juga mengamati bahwa pesaing memiliki sekitar
sama kegunaannya dengan manajer pemasaran, dan menurun-
kan pendekatan taksiran yang sama untuk pembayaran, ia
akan memenuhi pabrik bagian penggantian (asumsikan bahwa
pasar dibagi pada basis sebuah jumlah nol).
Contoh ini mengilustrasikan ciri normatif klasik dan juga
cara di mana informasi kualitatif dapat digunakan untuk
menentukan sebuah ukuran pembayaran optimal. Ia
mendemonstrasikan bahwa model normatif adalah kombinasi
dari banyak jenis model. Data diturunkan dari model informasi
Bab 3Model Nor mat i f 144

dengan pengamatan dan pengukuran, hasil ditransformasi
menjadi keuntugan untuk hasil itu atau pembayaran, strategi,
keadaan alam, dan strategi pesaing memerlukan penemuan
peubah yang relevan, pernyataan hasil berdasar pada
penemuan hubungan antara peubah-peubah, dan pemilihan
satu strategi khusus yang dibuat setelah memperhatikan
semua keuntungan yang mungkin dengan kriteria keputusan
khusus.
9. Nilai Informasi
Model normatif dapat dievaluasi dengan memperhatikan
atribut informasinya. Kita akan mempertimbangkan lima level
kelengkapan informasi, mulai dengan yang paling tidak
lengkap dan bergerak ke yang paling lengkap. Kita memilih
pembuatan keputusan:
1. di bawah kondisi kepastian, yakni tidak memerlukan
konsep peluang;
2. di bawah kondisi risiko, yakni ada ramalan yang dapat
dipercaya;
3. di bawah kondisi yang dapat diramalkan tidak sempurna,
yakni dapat diduga kondisi alam yang akan terjadi dengan
peluang yang diketahui salah;
4. di bawah kondisi yang dapat diramalkan secara sempurna,
yakni dapat diduga dengan tepat kondisi alam yang akan
terjadi;
Bab 3Model Nor mat i f 145

5. di bawah kondisi terkontrol sempurna, yakni kemungkinan
mengesampingkan (override) ramalan dengan membuat
kondisi alam khusus.
Sering, kita dapat menentukan sebuah level optimal (antara 1
dan 5) dari kelengkapan informasi. Hanya pada permukaan itu,
mungkin seseorang berpikir bahwa level optimal seharusnya
selalu derajat tertinggi dari kelengkapan. Sebuah kesimpulan
bahwa itu kasus yang sulit. Pemahaman yang serupa mengenai
arsitektur informasi ekonomi dapat selalu diperoleh dari
model deskriptif dengan menggunakan prosedur heuristik
yang sesuai.
Ide fundamental adalah membandingkan pembayaran
(atau harapan pelayanan) di bawah kondisi kelengkapan
informasi yang berbeda. Untuk merampatkan gagasan ini,
asumsikan bahwa pada biaya C
j
, kita medapatkan sebuah level
informasi I
j
, dan dengan data ini, kita bisa mendapatkan
sebuah harapan pembayaran P
j
. Tabel berikut memuat data
hipotetis untuk mengilustrasikan prosedur evaluasi kita.
Level
Informasi I
j

Baiya
Informasi C
j

Pembayaran
P
j

Pembayaran Bersih
P
j
-C
j

1
2
3
4
10
20
40
60
50
70
80
90
40
50
40
30
Bab 3Model Nor mat i f 146

Jika kita berinvestasi dengan jumlah minimum (10) dalam
mengumpulkan infromasi untuk model, kita mendapatkan
pembayaran bersih P
1
-C
1
=40. Apabila lebih banyak data yang
dikumpulkan, pembayaran bersih naik ke maksimum P
2
-C
2
=50.
Kita memperhatikan bahwa dalam menggeser dari I
1
ke I
2
, ada
tambahan biaya informasi 10 yang didatangkan, tetapi
pembayaran bertambah 20, jadi kita lebih memilih I
2
. Untuk
level I
3
, sedikit tambahan biaya infromasi (di atas I
2
), yakni 20
sementara kenaikan pembayaran hanya 10. Dengan demikian,
kita menolak pergeseran ini. Pembayaran bersih I
3
sama
dengan I
1
, dan ketika level data I
4
dicapai pembayaran bersih
menurun ke 30.
Kita menghubungkan perhatian ini secara langsung ke
model keputusan. Perhatikan matriks berikut.
Kon disi alam N
1
N
2
N
3

Peluang 0,25 0,50 0,25
Cuaca Baik Tidak tentu Jelek
S
1
: tanam kacang 40 30 20
S
2
: tanam sayur 70 20 0
(Nilai dalam sel = keuntungan dalam jutaan rupiah)
1. Kriteria terbaik dalam kondisi tidak menentu (best point
level uncertainty). Jika petani tidak memiliki pengetahu-
an peluang, ia mungkin mengasumsikan bahwa alam
adalah musuh (hostile) dan anti rasional. Dengan demikian,
Bab 3Model Nor mat i f 147

ia bisa menggunakan kriteria Wald (maksimin atau
minimak) pilih S
1
: kondisi buruk masih mendapat
keuntungan Rp 20 juta (maximin principle).
N
1
N
2
N
3
Pembayaran terburuk
S
1
: 40 30 20 20 Maksimin
S
2
: 70 20 0 0
Hasil terburuk harus diantisipasi petani adalah Rp 20 juta. Ini
adalah titik dasarnya dari mana ia dapat mengukur
peningkatan karena lebih banyak infromasi yang dikumpulkan.
Strategi menanam kacang dindikasikan oleh titik dasar.
2. Ramalan sempurna dengan konsep peluang (perfect
forecast level probabilities). Petani sudah memiliki
sebuah ramalan (0,25 0,50 0,25), anggaplah studinya
dari catatan cuaca. Seperti sebelumnya, kita akan
melanjutkan untuk menerima kesahihannya.
Menggunakan ramalan ini, petani memilih S
1
:
menanam kacang. dengan keuntungan harapan Rp 30
juta.
Keuntungan harapan
(S
1
)=(0,25)(40)+(0,50)(30)+(0,25)(20)=30
Keuntungan harapan
(S
2
)=(0,25)(70)+(0,50)(20)+(0,25)(0)=27,5
Tampak bahwa untuk ramalan khusus ini, harapan petani
meningkat Rp 10 juta di atas maksimin, tetapi ia akan
menanam kacang dalam setiap kasus.
Bab 3Model Nor mat i f 148

3. Ramalan sempurna dengan konsep mahatahu (perfect
prediction level omniscience). Mari kita melompat ke
ramalan sempurna dan mengasumsikan bahwa petani
mencapai ini melalui kesempatan yang tidak diduga.
Weather Incorporated (WI) mengaku memiliki sebuah
metode sempurna untuk peramalan cuaca musim
dengan kecermatan 100%. Petani diyakinkan bahwa ini
benar dan untuk mencapai tujuan, kita harus setuju.
Berapa banyak yang mau dibayar oleh petani untuk
informasi ini?
Analisis selanjutnya secara langsung. Jika ramalan dibuat
bahwa N
1
akan terjadi, petani akan menanam sayur dan
mendapatkan pembayaran Rp 70 juta. Ia tidak akan
memilih untuk menanam kacang itu akan memberinya
hanya Rp 40 juta. Sebagai kemungkinan kedua, jika ia
diberitahukan bahwa N
2
akan terjadi, kemudian ia akan
memilih menanam kacang dan mendapatkan Rp 30 juta.
Sayur akan memberinya hanya Rp 20 juta. Situasi ketiga
apabila N
3
harus terjadi, ia akan mendapatkan Rp 20 juta
dengan menanam kacang.
Ramalan petani (dalam kasus ini 0,25 0,50 0,25) masih
berlaku. Dengan demikian, kondisi alam akan terjadi
dengan frekuensi yang sama sebelumnya. Perbedaannya
adalah petani akan mengetahui terlebih dahulu keadaan
mana yang akan terjadi. Beroperasi di bawah kondisi
seperti informasi sempurna ia dapat meningkatkan
situasinya dengan memilih strategi setelah ia belajar
Bab 3Model Nor mat i f 149

keadaan alam mana yang akan terjadi. Harapan
pembayaran akan meningkat ke Rp 37,5 juta.
Keuntungan harapan (informasi sempurna) =
(0,25)(70)+(0,50)(30)+(0,25)(20)=37,5.
Ini berarti bahwa, berikan ramalan khusus (0,25 0,50
0,25), ada tabungan tersedia Rp 7,5 juta. Jika kurang dari
jumlah ini dapat digunakan untuk membayar WI, akan ada
tabungan bersih. Tetapi, jika perusahaan peramal cuaca
ini akan membebani biaya Rp 7,5 juta atau lebih untuk
pelayanannya, kemudian rencana akan tidak berguna.
Apakah WI harus meminta, katakan Rp 5 juta, petani
masih mendapat Rp 2,5 juta dengan menggunakan
pelayanan ini.
4. Kontrol sempurna menciptakan keadaan ideal untuk
mendapat keuntungan terbesar (perfect control level
omnipotence). Kontrol memerlukan penggunaan
informasi. Kenyataannya, kontrol adalah suatu bentuk
manajemen informasi. Nilai dari berbagai bentuk
kontrol dapat ditegaskan. Asumsikan bahwa WI
mempunyai sebuah bantuan yang disebut Weather
Control (WC) yang menggunakan metode cloud-
seeding dan teknologi lain untuk membuat kondisi
cuaca.
Berapa banyak yang harus dibayar petani untuk kontrol
sempurna pada cuaca? Pembayaran terbaik dalam
matriks Rp 70 juta. Untuk mencapai ini, petani harus
meminta WI untuk kondisi N
1
. Kemudian, dengan
Bab 3Model Nor mat i f 150

menggunakan strategi S
2
, ia akan mendapat pembayaran
ini. Kontrol total menyatakan level maksimum dari
kelengkapan informasi. Untuk berfungsinya itu, kontrol
cuaca (WC) harus secara konstan memantau kondisi
sistem dan penuh kehati-hatian. Di samping itu, harus
tersedia tindakan kontrol yang diperlukan untuk menolak
gangguan sistem. Dari pandangan petani (sebagai ukuran
dari nilai ramalannya), ia dapat menghasilkan lebih dari
Rp 40 juta untuk mendapatkan kontrol sempurna.
Rentang pembayaran bergerak dari Rp 20 juta di bawah
ketidakpastia ke Rp 70 juta di bawah kontrol sempurna.
Gambar 3.6 bisa membantu menetapkan situasi ini dalam
pikiran.

Rp 70 juta Perfect Control (total information)


Ro 37,5 juta Perfect Prediction
Rp 30 juta Believable Forecast

Rp 20 juta Base Level (uncertainty)
Gambar 3.6 Rentang dari nilai informasi
Bab 3Model Nor mat i f 151

Kita memperhatikan bahwa tidak ada gunanya untuk
mengukur nilai dari nol karena peningkatan mulai dari
yang terkecil Rp 20 juta. Juga, kita mengamati bahwa
perjalanan untuk mengumpulkan lebih dan lebih banyak
informasi mungkin tidak rasional, karena bisa
mengarahkan seseorang jauh dari suatu level ekonomi
optimal dan pemahaman sistem.
5. Ramalan Tidak Sempurna(Imperfect Prediction)
Tidak ada diskusi ramalan, taksiran, dan nilai infromasi
(seperti yang terkait pada model normatif) yang lengkap tanpa
suatu perlakuan dari pembuat keputusan Bayesian.
Sebetulnya, kita sudah mengenal Reverend Thomas Bayes dan
hipotesisnya. Sekarang kita ingin berbicara tentang teorema
Bayes.
Untuk melakukan ini, kita kembali ke masalah petani. Sulit
untuk mempercayai bahwa WI dapat menghasilkan ramalan
sempurna. Tetapi, untuk tujuan ilustrasi, kita berjalan sepan-
jang pemahaman pada waktu itu. Mari kita menetapkan tujuan
sesuatu yang lebih rasional. WI mempunyai persediaan model
ramalan berdasar pada prosedur yang tidak sempurna, tetapi
cukup baik. Misalnya, ia mempunyai model korelasi untuk
peramalan cuaca, yang penggunaannya akan membebani
biaya pada petani Rp 3 juta. Keandalan model itu (berdasarkan
catatan lalu) ditunjukkan oleh matriks berikut.
Jika kondisi alam yang benar adalah:
Bab 3Model Nor mat i f 152

N
1
N
2
N
3

x persen dari
waktu hasil
pengujian:
T[N
1
] 0,8 0,2 0,0
T[N
2
] 0,1 0,7 0,1
T[N
3
] 0,1 0,1 0,9
(x adalah nilai dari setiap elemen dalam matrika)
Matriks peluang bersyarat ini dibaca dalam cara sebagai
berikut. Asumsikan bahwa cuaca adalah N
1
. Terlihat 80% dari
waktu hasil pengujian adalah benar, yakni T[N
1
] akan terjadi
dalam ramalan. Tetapi (masih mengasumsikan bahwa kondisi
alam yang benar adalah N
1
, 20% dari hasil pengujian akan
salah, N
2
akan diindikasikan 10% dari waktu (T[N
2
]) dan N
3

akan diramalkan sisanya 10% dari waktu (T[N
3
])
Untuk meyakinkan bahwa penjelasan ini jelas, kita
mengasumsikan bahwa N
2
adalah kondisi yang benar. Hasil
pengujian akan secara benar mengindikasikan 70% N
2
dari
waktu. Tetapi, 30% dari ramalan N
2
adalah benar adalah
salah. Secara khusus, pengujian akan mengindikasikan 20% N
1

dan 10% N
3
dari waktu.
Setiap elemen dari matriks peluang bersyarat ini dapat
ditulis dalam bentuk P(T[N
i
]|N
j
), yakni peluang dari hasil
pengujian khusus (i) pada terjadinya kondisi alam khusus (j).
Teorema Bayes menyatakan sebuah hubungan peluang
bersyarat ini, katakanlah:
Bab 3Model Nor mat i f 153

i j
i
P(T[N ] | N )
P(T[N ])
=P(N
j
|T[N
i
]).
Dengan memeriksa persamaan ini, kita melihat bahwa jika kita
mengalikan peluang bersyarat P(T[N
i
]|N
j
) dengan nilai ramalan
untuk keadaan alam P(N
j
), maka kita dapat menemukan
sebuah hubungan sistematis, yakni syarat terhadap hasil
pengujian P(N
j
|T[N
i
]).
Mari kita melakukan melalui perhitungan dengan
menggunakan ramalan sebelumnya untuk nilai P(N
j
), yang
sering disebut peluang a priori.
P(T[N
i
]|N
j
)P(N
j
)
0, 8(0,25) 0,2(0, 50) 0, 0(0,25)
0,1(0,25) 0, 7(0, 50) 0,1(0,25)
0,1(0,25) 0,1(0, 50) 0, 9(0,25)
=
0,200 0,100 0, 000
0, 025 0,350 0, 025
0, 025 0, 050 0,225

Jumlahkan kolom, kita mendapatkan nilai ramalan (0,25 0,50
0,25). Pengaruhnya, kita memilih peluang sebaran dalam
setiap kolom dalam proporsi terhadap ramalan ini. Dengan
menjumlahkan baris kita mendapatkan:
P(T[N
i
])
i=1 0,200+0,100+0,000=0,300
i=2 0,025+0,350+0,025=0,400
i=3 0,025+0,050+0,225=0,300
Karena P(T[N
i
]|N
j
)P(N
j
)=P(T[N
i
]). P(T[N
i
]) adalah peluang
bahwa berbagai hasil pengujian akan terjadi.
Bab 3Model Nor mat i f 154

Jadi, perhitungan yang ditunjukkan di atas menyatakan
langkah tepat yg diindikasikan oleh persamaan untuk Teorema
Bayes. Jika pembaca akan mengerjakan perhitungan dengan
pensil dan kertas, hubungan-hubungan yang terlihat akan
menjadi bukti dalam urutan singkat.
Sekarang, kita dapat merumuskan peluang bersyarat
P(N
j
|T[N
i
]). Ini adalah peluang bersyarat untuk keadaan alam
yang benar, apabila sebuah hasil pengujian T[N
i
] sudah terjadi.
Semua elemen dalam matriks dibagi dengan nilai baris mereka
yang sesuai dari P(T[N
i
]). Jadi, membaca dari (1) ke (2).
1. Jika hasil pengujian adalah (2) maka P(N
j
|T[N
i
])
persen dari waktu N
j
yang benar adalah:
2. =
Setiap baris dari matriks terakhir ini berjumlah satu dan
menyatakan sebuah himpunan peluang bersyarat (a posteriori)
yang dapat dibandingkan dengan ramalan awal pertama.
Akibatnya, kita mengamati bahwa penggunaan prosedur
pengujian adalah modifikasi dari ramalan awal petani. Kita
kemudian dapat menentukan pengaruh dari modifikasi ini
pada matriks keputusan.
Bab 3Model Nor mat i f 155

Jadi, asumsikan kita menggunakan pengujian dan:
Peluang 2/3 1/3 0 Pembayaran harapan
T[N
1
] terjadi S
1
:
S
2
:
40
70
30
20
20
0
36,667
53,333*
Ini berarti bahwa jika hasil pengujian adalah T[N
1
], petani akan
menggunakan strategi keduanya, dengan harapan pembayaran
Rp 53.333.000,00.
Peluang 2/3 1/3 0 Pembayaran harapan
T[N
2
] terjadi S
1
:
S
2
:
40
70
30
20
20
0
30*
21,875
Dengan sendirinya, jika hasil pengujian T[N
2
] petani akan
menggunakan strategi pertamanya, dengan harapan
pembayaran Rp 30 juta.
Peluang 2/3 1/3 0 Pembayaran harapan
T[N
3
] terjadi S
1
:
S
2
:
40
70
30
20
20
0
23,333*
9,167
Jika hasil pengujian T[N
3
], petani akan menggunakan strategi
pertamanya, dengan harapan pembayaran Rp 23.333.000,00.
Sebelumnya, kita sudah menghitung peluang dari hasil
pengujian yang berbeda. P(T[N
i
]) yang ada adalah 0,3 0,4 dan
0,3 untuk berturut-turut i=1, 2, dan 3. Dengan demikian, jika
Bab 3Model Nor mat i f 156

pengujian digunakan, harapan pembayaran bagi petani dari
Rp 53.333.000,00 akan terjadi 30% dari waktu; harapan
pembayaran Rp 30 juta akan terjadi 40% dari waktu; dan
harapan pembayaran Rp 23.333.000,00 akan terjadi 40% dari
waktu.
Harapan pembayaran (gunakan pengujian)
= 0,3(53)+0,4(30)+0,3(23,333)=35.
Kita akan menambahkan nilai ramalan tidak sempurna
khusus kita ke Gambar 3.6 dan akan terletak antara nilai
ramalan sempurna dan taksiran sempurna. Jadi,
Harapan pembayaran (ramalan sempurna)
= 0,25(70)+0,50(30)+0,25(20)=37,5.
dan tidak menggunakan pengujian:
Harapan pembayaran (ramalan dapat dipercaya)
= 0,25(40)+0,50(30)+0,25(20)=30.
Pengujian ini bermanfaat (pada sebuah maksimum) Rp 5 juta
pada petani. Petani diminta membayar Rp 3 juta untuk
ramalan itu jadi tampaknya semuanya baik.
3. Ramalan Subjektuif(Subjectuive Forecast)
Teorema Bayes adalah sebuah cara yang menggabungkan
pengujian ramalan dan pengujian taksiran yang diilustrasikan
oleh Gambar 3.7.Taksiran a priori (a priori estimates) petani
diperoleh dari catatan cuaca. Tetapi, dengan banyak kasus,
Bab 3Model Nor mat i f 157

tidak ada sumber data ramalan yang menyenangkan seperti
itu. Masih, eksekutif dapat datang dengan suatu taksiran
subjektif yang merefleksikan pengalamannya dengan situasi
itu. Biasanya, ia akan suka memiliki pertimbangan intuitif
seperti itu pada masalah dalam model keputusan.





Gambar 3.7
Gambar 3.7Pembuatan keputusan Bayes
Jika tidak ada pengujian ramalan dapat ditemukan (atau
pengembangan dan penggunaannya terlalu mahal), maka
taksiran peluang subjektif eksekutif harus memainkan bagian
tunggal dalam skema normatif dari model keputusan. Nilai
kriteria harapan untuk memilih sebuah strategi di bawah
kondisi pembuatan keputusan berisiko akan beroperasi. Hasil
akan identik yang akan diperoleh jika sebuah pengujian yang
benar-benar tidak berguna digunakan, namakanlah
/ / /
/ / /
/ / /
1 3 1 3 1 3
1 3 1 3 1 3
1 3 1 3 1 3

Pada keadaan lain, dengan sedikit kepercayaan dalam
taksirannya sendiri, eksekutif tampaknya akan berinvestasi
Bayes
Theorem
A priori estimates
(forecast)
goodness of predictive test
A posteriori estimates (modified forecast)
Bab 3Model Nor mat i f 158

dalam pengembangan pengujian. Pada derajat itu, pengujian
ini adalah andal (reliable), bobot diberikan kepada taksiran
eksekutif untuk menentukan strategi mana yang digunakan.
Akhirnya, di bawah kondisi ramalan (pengujian) sempurna
hanya peran yang dimainkan oleh taksiran subjektif eksekutif
akan menentukan peluang dari hasil pengujian, P(T[n
i
]).
4. Presentasi Pohon
Satu cara yang berguna untuk penyajian model Bayesian
adalah bentuk pohon. Cara ini dinyatakan dalam Gambar 3.8
seperti terapannya pada masalah petani.
Bab 3Model Nor mat i f 159


Gambar 3.8 Pohon Bayesian
Pohon seperti itu adalah model deskriptif yang kuat. Pohon
mengilustrasikan berbagai susunan peluang pada kondisi alam
dan cara di mana mereka diturunkan. Masing-masing berguna
pada sejumlah kondisi yang tunggal. Hasil terakhir dapat
dinyatakan dalam bentuk tabel sebagai berikut.
N
1
N
2
N
3

Tanpa pengujian 1/4 1/2 1/4
Bab 3Model Nor mat i f 160

Hasil pengujian T[N
1
]
Hasil pengujian T[N
2
]
Hasil pengujian T[N
3
]
2/3
1/16
1/12
1/3
7/8
\1/6
0
1/16
3/4
Tetapi, tabel kehilangan basis turunan. Pengujian yang lain
mungkin bisa diperhatikan untuk memberikan pilihan
tambahan. Akhirnya, di antara semua prosedur pengujian yang
menguntungkan, sebuah pengujian terbaik yang berbasis
kelebihan ekonomi akan dipilih. Tetapi, pendekatan untuk
menemukan sebuah pengujian optimal membutuhkan
rancangan pengujian kreatif dalam tempat pertama.
Kemudian, kedua pengujian terbaik yang ada hanya dapat
ditemukan melalui iterasi yang ditemukan dengan pendekatan
heuristik yang peka.
1. Derajat penyederhanaan dimensi
Kelengkapan informasi adalah sebuah ukuran yang relevan
dari model yang menyerap banyak aspek dari pengembangan
model sebagai tambahan pada apa yang telah didiskusikan di
atas. Kita mengetahui bahwa sebuah strategi yang optimal
ditemukan dengan mencari prosedur terkait dalam bentuk
normatif. Bentuk normatif adalah satu anggota dari himpunan
model deskriptif yang relevan. Pengertian dari sebuah
penyelesaian optimal seperti itu akan bergantung pada ukuran
himpunan, khususnya ukuran sebagai sebuah fungsi dari
derajat perbaikan atau kekhususan dalam alternatif. Gambar
3.9 adalah sebuah upaya untuk mengilustrasikan konsep ini
untuk sebuah masalah keputusan khusus (secara hipotetis
Bab 3Model Nor mat i f 161

dibatasi oleh lingkaran). Di dalam A, banyak model deskriptif
yang menjelaskan peubah-peubah dengan jauh lebih terperinci
dan potensi ketepatan yang banyak daripada tujuh model
deskriptif di dalam B.

Gambar 3.9 Himpunan optimal memuat penyelesaian optimal
Selalu relevan untuk mencari bahwa setiap situasi khusus
dapat dimodel dengan baik. Berapa rinci yang diperlukan?
Masalah melekat dalam realitas mempunyai sebuah dimensi
riil secara keseluruhan. Tetapi, hanya sebagian dari dimensi ini
diliputi oleh model. Dengan memperhatikan sebagian itu,
pengukuran yang diambil pada setiap dimensi bisa halus atau
kasar, sesuai pada kemampuan seseorang untuk mengukur,
seperti juga biaya dan keuntungan untuk diturunkan dari level-
level yang berbeda dari perincian dan penghalusan.
Beberapa model mendekati satu-untuk-satu, seperti
hubungan dimensi positif dan negatif dari sebuah foto. Kita
sudah mengatakan bahwa model dari realitas adalah
isomorphic. Tetapi, apabila penyederhanaan infromasi terjadi,
kemudian model menjadi transformasi homomorphic dari
Bab 3Model Nor mat i f 162

relitas, seperti hubungan antara sebuah foto dan sebuah
kartun. Definisi ini sulit tepat. Namun, secara umum dapat
berupa konsensus ke tipe mana dari hubungan yang ada. Akan
disepakati bahwa sebuah peta jalan sudah homomorpic pada
geografi sebenarnya yang diwakili, sebuah balance sheet
adalah homomorphic pada kinerja perusahaan, dan sebuah
cetak biru adalah isomorphic pada ciri rancangan produk yang
dipersyaratkan pabrik.
Perbedaan antara homomorphism dan isomorphism
diilustrasikan oleh Gambar 3.9. Jika setiap partisi dalam
himpunan ruang A adalah model deskriptif, kemudian
penyelesaian optimal dapat ditemukan bahwa dekat kepada
isomorphic dengan strategi optimal x yang benar. Tetapi, jika
himpunan dimodel seperti dalam B, kemudian satu dari tujuh
partisi dipilih, akan menjadi homomorphic ke penyelesaian x.
Misalnya, asumsikan bahwa dalam A, setiap partisi
menyatakan sebuah nilai bilangan bulat x (yakni x=1,2,3,...) di
mana di dalam B, partisi berarti x dihitung dengan 10 (yakni
x=10,20,30,...). Jika x =3,4 optimal maka model A adalah jauh
lebih dekat ke isomorphic daripada model B. Dalam ilustrasi
khusus ini, kita mengasumsikan bahwa keduanya dari partisi
optimal memuat strategi optimal x. Tetapi, ini tidak selalu
terjadi. Peluang bahwa alternatif pilihan (partisi) memuat
strategi optimal akan secara umum meningkat apabila
banyaknya alternatif yang diperhitungkan mendekati banyak
sebenarnya hasil yang mungkin.
Homomorphism selalu menyatakan transformasi yang
mengurangi dan (secara umum) kehilangan informasi.
Bab 3Model Nor mat i f 163

Kehilangan seperti itu tidak harus dikonstruksi sebagai
ketidakberuntungan, karena terdapat banyak contoh ketika
penyelesaian tidak sensitif pada penyederhanaan. Sebuah
derajat yang sesuai dari homomorphism biasanya dapat
ditentukan oleh sebuah kriteria ekonomi untuk nilai informasi.
Dalam kasus isomorphic, transformasi dari realitas ke
model adalah satu-untuk satu, yakni terdapat sama banyaknya
peubah yang berbeda (huruf dan bilangan secara berurutan)
dalam setiap garis dari diagram transformasi yang ditunjukkan
di bawah.
Transformasi isomorphic
Faktor realitas A B C D E F G dst.
Faktor model 1 2 3 4 5 6 7 dst.
Dengan menggunakan bentuk matriks, transformasi
isomorphic membutuhkan sebuah matriks bujursangkar di
mana setiap baris dan kolom memuat hanya satu elemen.
(Elemen-elemen tidak semua harus jatuh pada diagonal tetapi
bentuk seperti itu selalu dapat diperoleh dengan suatu
susunan dari baris dan kolom).
Faktor model
1 2 3 4 5 6 7 dst.
Faktor
realitas
A
B
x
x












Bab 3Model Nor mat i f 164

C
D
E
F
G
dst.
x
x


x



x




x





x
Untuk representasi yang serupa dari kasus homomorphic,
kita harus mencatat bahwa (dalam beberapa hal) dalam
digram transformasi dengan situasi dua atau lebih faktor
realitas disederhanakan ke sebuah faktor model tunggal.
Kondisi seperti ini disebut transformasi banyak-satu yang
harus dikontraskan dengan transformasi isomorphism satu-
satu.
Transformasi homorphic
Faktor realitas A B C D E F G dst.
Faktor model 1 2 1 1 3 4 2 dst.
Bentuk matriks dari transformasi homomorphic adalah
bujursangkar lebih dari satu elemen dapat muncul dalam
setiap kolom. Akibatnya, ada pengurangan informasi dalam
model yang memuat lebih sedikit peubah daripada yang ada
dalam realitas. Selanjutnya, model yang dikonstruksi dalam
bentuk sejumlah peubah tidak dapat digunakan untuk
Bab 3Model Nor mat i f 165

menangkap kembali peubah huruf asli kecuali aturan
penyederhanaan dari banyak ke satu dipelihara.
Faktor model
1 2 3 4 dst.
Faktor
realitas
A
B
C
D
E
F
G
dst.
x

x
x


x




x





x







x
Hampir semua model dalam bidang ekonomi adalah
homomorphism di berbagai tingkatan. Sementara tidak
mungkin bisa menentukan derajat optimal dari pengurangan
dimensi untuk setiap masalah khusus, kita layak untuk
mendiskusikan pertanyaan seperti itu dalam pandangan
ekonomi dengan syarat sifat isomorphism dan homomorphism
dipahami.
2. Sifat dimensional
Bab 3Model Nor mat i f 166

Ketika sejumlah tujuan hadir bersama dalam model, tidak
mustahil bahwa kita menemukan munculnya sebuah dilemma
terkait tujuan mana yang mau dimaksimumkan. Tujuan-tujuan
tersebut semuanya tampak penting pada eksekutif (walau pun
barangkali tidak semuanya sama pentingnya). Selanjutnya, jika
derajat pencapaian dari setiap satu tujuan ditingkatkan, tujuan
yang lainnya menuurun. Ini adalah satu situasi khas yang
semakin sering terjadi karena kita mempertimbangkan daerah
keputusan yang bergerak dari level manajemen menengah ke
level manajemen puncak.
Misalnya, dalam masalah sebelumnya dari perusahaan
permen, kita mendapat hasil untuk berat, ruang, dan biaya.
Untuk menyederhanakan masalah ini, kita mengasumsikan
bahwa biaya adalah faktor utama yang akan dioptimalkan.
Dengan demikian, kita mengembangkan penyelesaian biaya
minimum, dengan berbagai kendala (retrictions). Jika tujuan
kita juga meliputi berat, dan kita mencari penyelesaian untuk
memaksimumkan berat sebagai tambahan untuk meminimum-
kan biaya, masalah tidak dapat diselesaikan. Data untuk titik-
titik sudut menunjukkan bahwa maksimum berat tidak pernah
terjadi dengan biaya minimum. Kenyataannya, berat dan biaya
terkait satu dengan lainnya, yaitu Berat=(80)Biaya.
Dengan demikian, jika berat meningkat, biaya akan
meningkat: Apa yang harus dikerjakan? Apakah kita harus
menetapkan sedikit untuk masing-masing dan memilih strategi
yang membawa kita untuk tidak meminimumkan biaya dan
tidak juga memaksimukan berat? Terdapat hanya satu cara di
mana kita dapat memutuskan apa yang dikerjakan, dan
Bab 3Model Nor mat i f 167

menentukan bagaimana pentingnya masing-masing tujuan
pada pembuat keputusan.
Akan disadari bahwa tangki kebingungan kita dari tujuan
ganda yang menggunakan dimensi-dimensi berbeda. Kita tidak
dapat menggabungkan secara kuantitatif hasil ganda ini dalam
setiap bentuk sederhana. Kedua metode peringkat (ranking)
dan sepekulasi baku (standard gamble) tidak memadai untuk
menangani hasil yang rumit multi dimensi. Tentunya, kita tidak
dapat menambah pounds dari berat dan dollar dari biaya
bersama-sama dan memilih jumlah yang tampaknya terbaik.
Kita tidak dapat melakukan ini, walau pun kita memberi harga
pertama pada setiap hasil dalam hal pentingnya terhadap kita
dan kemudian menggunakan sebuah jumlah bobot yang
sesuai.
Untuk tujuan ilustrasi, kita sekarang mempetimbangkan
masalah eksekutif yang harus memutuskan antara dua lokasi
yang mungkin untuk satu tanaman baru yang direncanakan
perusahaan untuk dibangun. Untuk menentukan lokasi terbaik,
kita mendaftar enam hasil berbeda yang dihasilkan oleh setiap
strategi. Manajemen mempertimbangkan enam hasil ini
sebagai dimensi yang relevan dari tujuan perusahaan.
Eksekutif menilai hasil ini dalam penilaiannya yang
dipertimbangkan dari kepentingan relatif ke hasil akhir atau
ukuran pembayaran. (Catatan: bobot ini dapat diupayakan
dengan pringkat atau spekulasi baku.)
Hasil Satuan dimensi Pentingnya
Bab 3Model Nor mat i f 168

X
1
: biaya tanah
X
2
: biaya bangunan
X
3
: kesesuaian harapan
X
4
: biaya tenaga kerja
X
5
: hubungan masyarakat
X
6
: persediaan bahan baku
X
7
: fasilitas transportasi
Investasi dollar
Investasi dollar
Tingkat kesenangan*
Pengeluaran dollar
Tingkat kerjasama*
Mutu dan biaya*
Nyaman dan biaya
A
B
C
D
E
F
G
* Untuk dimensi yang dibintangi, kita menggunakan sebuah skala
di mana 10 yang terjelek dan 1 yang terbaik untuk
mengidikasikan bahwa kita berhadapan dengan biaya.
Data dikumpulkan untuk strategi alternatif dan menghasil-
kan matriks pembayaran yang mempunyai tujuh nilai hasil
dalam setiap kotak. Untuk penyederhanaan, kita akan
mempertimbangkan hanya satu kondisi alam. Jika ada lebih
dari satu kondisi alam, metode yang dikembangkan
sebelumnyauntuk pembuatan keputusan di bawah risiko dan
ketidakpastian dapat diterapkan setelah masalah
penggabungan hasil ganda dipecahkan.
Hasil Strategi S
1
Strategi S
2

X
1

X
2

$ 400.000
$ 600.000
$ 700.000
$ 800.000
Bab 3Model Nor mat i f 169

X
3

X
4

X
5

X
6

X
7

6
$ 1,7/jam
7
2
9
10
$ 1,50/jam
4
4
6
Ukuran yang diambil sepanjang dimensi yang ekuivalen
harus digabungkan. Dalam kasus ini, X
1
dan X
2
(adalah investasi
dollar) memungkinkan penjumlahan segera tampa kesulitan.
Di lain pihak, walau pun X
4
adalah dimensi dollar, ia adalah
biaya per satuan yang dialami menurut waktu daripada persen
kegunaan dari biaya total. Untuk membuat X
4
dalam dimensi
yang sama dengan X
1
dan X
2
, kita membutuhkan sebuah
taksiran dari orang-jam per tahun. Ini harus dikali dengan biaya
per satuan tenaga kerja utnuk mendapatkan sebuah biaya
total untuk setiap strategi. Kemudian, sebuah faktor
pengabaian (discounting factor) harus duiterapkan pada setiap
pengeluaran tahunnya sehingga aliran dari biaya menurut
waktu dapat dikonversi ke satu angka penting.
Dengan melakukan ini, eksekutif bisa lebih suka manaksir
pentingnya X
4
dalam skema keseluruhan dari hal-hal yang
dibandingkan ke X
1
dan X
2
seperti juga dari hasil-hasil lainnya.
Jika benar, bobot kepentingan ini akan merefleksikan ukuran
dari faktor pengabaian tindakan dalam hubungannya dengan
taksiran-taksiran lain yang diperlukan untuk transformasi
dimensi X
4
ke dimensi X
1
dan X
2
. Persoalan ini bisa juga
Bab 3Model Nor mat i f 170

dinyatakan dengan hal yang tidak bisa diraba bahwa sesuatu
dimasukkan dalam biaya tenaga kerja per satuan seperti
hubungan perburuhan, ketersediaan tenaga kerja, dan
lingkungan hukum dan pajak.
Mari kita mengasumsikan bahwa rangkaian huruf
(gunakan faktor pembobotan) sudah diikuti.
Hasil S
1
S
2
Bobot pentingnya
X
1
+X
2

X
3

X
4

X
5

X
6

X
7

$ 1.0000
6
$ 1,7/jam
7
2
9
$ 1.5000
10
$ 1,50/jam
4
4
6
3
4
5
1
3
2
(Penting diasumsikan pada peningkatan sebagai bilangan
faktor pembobotan bertumbuh lebih besar)
3. Metode yang salah sering digunakan
Satu metode membandingkan strategi S
1
dan S
2
adalah
jumlah hasil kali dari bobot dan hasil dari setiap strategi. Jadi,
kita bisa menggunakan simbol:
O(S
1
)=3(1.000.000)+4(6)+5(1,70)+1(7)+3(2)+2(9)=3.000.063,50
O(S
2
)=3(1.500.000)+4(10)+5(1,50)+1(4)+3(8)+2(6)=4.500.087,5
0
Bab 3Model Nor mat i f 171

Dengan metode ini, O(S
1
) diindikasikan menjadi pilihan yang
lebih baik (perhatikan bahwa model berdasarkan pada biaya di
mana bilangan yang lebih besar kurang diharapkan). Rasio
berikut memberikan sebuah perbandingan.
=
. . ,
. . ,
4 500 087 50
3 000 063 50
=1,50.
Sekarang, kita melihat apa yang terjadi jika kita mengganti
skala (X
1
+X
2
) sehingga dibaca dalam satuan juta dollar, bukan
satuan dollar. Kita mengetahui bahwa jika model yang
digunakan memenuhi aspek dimensional, kita harus
menghasilkan rasio yang tepat sama dan bukan transformasi
skala.

O(S
1
)=3(1,0)+4(6)+5(1,70)+1(7)+3(2)+2(9)=66,5
O(S
2
)=3(1,5)+4(10)+5(1,50)+1(4)+3(8)+2(6)=92,0
dan rasio berubah:
=
,
,
92 0
66 5
=1,38.
Hasil ini mendemonstrasikan bahwa perubahan dalam skala
memperkenalkan gangguan dimensi dalam rasio.
4. Metode yang benar secara dimensi
Metode sesungguhnya untuk membandingkan hasil ganda
(yang menggunakan dimensi-dimensi berbeda) sudah
dikembangkan oleh Gauss, Buckingham, dan yang lainnya. Hal
ini dijelaskan oleh P. W. Bridgmen (1922) dalam studinya
Bab 3Model Nor mat i f 172

tentang sifat-sifat dimensi sistem. Metode ini menggunakan
hasil kali dari hasil yang dipangkatkan dengan bobot. Jadi, hasil
untuk setiap strategi S adalah:
O(S)=(X
1
)
A
(X
2
)
B
(X
3
)
C
...(X
6
)
F

Kita sekarang menggunakan transformasi jutaan dollar dari
satu dollar ke metode ini. (X
1
dinyatakan dalam satuan dollar):
O(S
1
)=(1.000.000)
3
(6)
4
(1,70)
5
(7)
1
(2)
3
(9)
2
=8,3410
25

O(S
2
)=(1.500.000)
3
(10)
4
(1,50)
5
(4)
1
(8)
3
(6)
2
=1,8910
28

=
,
,
28
25
1 89 10
8 34 10

=226.
(X
1
dinyatakan dalam jutaan dollar):
O(S
1
)=(1)
3
(6)
4
(1,70)
5
(7)
1
(2)
3
(9)
2
=8,3410
7

O(S
2
)=(1.5)
3
(10)
4
(1,50)
5
(4)
1
(8)
3
(6)
2
=1,8910
10

=
,
,
10
7
1 89 10
8 34 10

=226.
Kita melihat rasio terakhir ini adalah invariant ke
transformasi skala. Hal itu terjadi karena metode perkalian
menghasilkan rasio bilangan murni, yakni bilangan tanpa
dimensi. Untuk mengilustrasikan fakta ini, kita menambah
sejumlah kerjasama ke sejumlah kenyamanan, dan menurun-
kan rasio (untuk dua strategi S
1
dan S
2
) dari kombinasi hasil:
Rasio=
1 1
2 2
kerjasama S +kenyamanan S
kerjasama S +kenyamanan S
.
Secara dimensi, rasio ini sama dengan:
Bab 3Model Nor mat i f 173

Rasio=
1
2 2
kerjasama S
kerjasama S +kenyamanan S
+
1
2 2
kenyamanan S
kerjasama S +kenyamanan S
.
Tidak ada keuntungan yang diperoleh dari rasio seperti itu.
Dimensinya tidak berarti. Pada sisi lain, dengan menggunakan
perkalian, semua dimensi dihapus dan hasilnya sebuah
bilangan murni. Jadi,
Rasio=
)
)
1 1
2 2
(kerjasama S )(kenyamanan S
(kerjasama S )(kenyamanan S
adalah bilangan murni.
Kita mengamati bahwa dalam semua empat kasus
sebelumnya, O(S
2
)>O(S
1
), mengindikasikan bahwa strategi
pertama yang diharapkan. Kekonsistenan jenis ini tidak dapat
dihitung. Sering kali metode yang salah akan menghasilkan
sebuah kebalikan rasio dan eksekutif akan salah arah.
Integritas dimensi adalah sebuah persyaratan mutlak dari
setiap suara analisis. Apabila kita menggabungkan sejumah
hasil yang menggunakan berbagai dimensi di dalam suatu
upaya mengoptimalkan hasil keseluruhan, rasio dari hasil
haruslah sebuah bilangan murni. Hal ini mengikuti fakta bahwa
perkalian itu menghasilkan sebuah daerah, volume, dan
sebagainya, yang mempunyai sifat-sifat dari ruang umum
untuk hasil yang terlibat. Ruang umum ini proporsional pada
pentingnya nilai. Penjumlahan tidak membuat daerah umum
dan tidak benar-benar digunakan ketika berupaya mengkombi-
nasikan secara mendasar dimensi-dimensi yang berbeda
Bab 3Model Nor mat i f 174

seperti yang dipikirkan. Metode penjumlahan digunakan hanya
untuk peubah-peubah hasil yang dicirikan oleh dimensi sama.
Selalu mungkin (dalam teori) untuk menemukan transfor-
masi menyatukan yang akan membolehkan digunakannya
penjumlahan. Misalnya, apel dan jeruk dapat ditambah apabila
keduanya ditransformasi ke satuan buah. Serupa juga, jika
taksiran dollar dapat diganti pada sesuatu yang tidak bisa
diraba seperti hubungan masyarakat, kesuburan dan harapan
tempat tanaman, dan ini dapat diasumsikan. Tidak mustahil
untuk menemukan bahwa upaya yang sudah dibuat
menemukan ukuran pilihan untuk setiap peubah. Dalam kasus
ini, ukuran hasil tunggal diasumsikan merefleksikan pilihan
total sebagai jumlah kontribusi pilihan individu dari setiap
peubah.
Suara dari kegunaan transformasi seperti itu kepada
sebuah skala tunggal bisa tampaknya lebih dibuat-buat
daripada sebenarnya. Transformasi seperti itu tidak mudah
dicapai. Dimensi dari buah, misalnya, bisa tidak mempunyai
hubungan langsung pada masalah. Taksiran dollar dari
kebaikan dikenal sangat bervariasi tergantung pada tujuan,
misalnya untuk melayani dan banyak aspek dari pilihan,
kepuasan, ukuran tambahan lainnya masih dipertimbangkan
sulit berubah. Pada sisi lain, ada sejumlah konvensi yang
diterima untuk menyamakan sewa, pembelian, atau pilihan
membangun. Pengetahuan tentang bagaimana memperlaku-
kan isu jenis ini adalah penting untuk kesuksesan pembangun-
an model.
Bab 3Model Nor mat i f 175

Jika suatu komponen dimaksimumkan sementara yang
lainnya diminimumkan, kita dapat menggunakan pangkat
positif dari hasil untuk dimaksimumkan dan pangkat negatif
dari hasil untuk diminimumkan. Misalnya, kita membanding-
kan dua strategi pabrik permen, asumsikan bahwa kita ingin
memaksimumkan berat dan meminimumkan biaya. Daftar
kepentingan relatif disusun sebagai berikut.
Hasil S
1
S
2
Pentingnya
Berat
Biaya
32
40
48
60
2
3
O(S
1
)=(32)
2
(40)
-3
=4/250
O(S
2
)=(48)
2
(60)
-3
=4/375
O(S )
O(S )
1
2
=1,5
Pada basis ini, pabrik permen akan memilih strategi
pertamanya. Terbaik bahwa ia dapat mengerjakan dalam
bentuk penentuan pilihannya. Dalam hal normatif penuh, hasil
itu adalah strategi optimal.
Selanjutnya, Pada akhir bab ini diperkenalkan model dalam
dimensi tiga bersama visualisasinya dalam bentuk gambar.
5. Model Tiga Dimensi
Bab 3Model Nor mat i f 176

Perusahaan genteng Modern di Jakarta memproduksi tiga
jenis genteng yakni: molek, jelita, dan anggun. Ketiga jenis
genteng yang dihasilkan ini menggunakan bahan mentah
yang diimpor dari Swiss. Proses produksinya dilakukan
dengan teknik dan peralatan yang serba modern. Pabrik
mempunyai tiga bagian yakni:
1. Bagian cetak di mana bahan mentah dicampur baru dicetak.
2. Bagian pres dimana genteng mentah dipres supaya padat
dan terpisah dari air.
3. Bagian pengeringan dimana genteng yang sudah dipres
dikeringkan.
Berbeda dengan genteng tradisionil yang terbuat dari tanah
liat, genteng yang diproduksi oleh perusahaan Modern ini
tidak membutuhkan waktu yang lama untuk dikeringkan.
Waktu pengeringan hanya beberapa menit saja, karena
memang sudah cukup. Lamanya proses masing-masing jenis
genteng pada masing-masing bagian diberikan dalam Tabel
3.2.
Tabel 3.2 Waktu proses produksi genteng
Bagian
Jenis genteng
Molek Jelita Anggun
Cetak 10,7 menit 5,0 menit 2,0 menit
Pres
:-a;ian Press ~
5,4 menit 10,0 menit 4,0 menit
Pengeringan 0,7 menit 1,0 menit 2,0 menit
Jumlah waktu 16,8 menit 16,0 menit 8,0 menit
Dalam seminggu, mesin-mesin pada setiap bagian dapat
bekerja selama 2.705 menit pada bagian cetak, 2.210 menit
Bab 3Model Nor mat i f 177

pada bagian press, dan 445 menit pada bagian pengeringan.
Tingkat kontribusi laba masing-masing jenis genteng per
satuan adalah Rp 10,00 dari jenis molek, Rp 15,00 dari jelita,
dan Rp 20,00 dari anggun. Berapa banyaknya masing-masing
genteng harus diproduksi agar diperoleh laba yang
maksimum?.
Seperti biasanya, terlebih dahulu dituliskan fungsi
tujuannya, yakni: Maksimumkan Z=10x
1
+15x
2
+20x
3

dimana:
x
1
adalah jumlah genteng molek;
x
2
adalah jumlah genteng jelita;
x
3
adalah jumlah genteng anggun.
Kemudian, dicari kendala-kendala yang berlaku sebagai
berikut.
Kendala 1: Mesin cetak.
Setiap jenis genteng melalui mesin cetak yang hanya dapat
bekerja paling lama 2.705 menit dalam seminggu, sehingga
ditulis: 10,7x
1
+5,0x
2
+2,0x
3
s2.705. Pembatas (limit) daripada
kendala ini adalah 10,7x
1
+5,0x
2
+2,0x
3
=2.705.
Titik potong dengan sumbu X
l
:
x
2
=0, x
3
=0, sehingga 10,7x
1
+0+0=2.705, atau x
1
=252,8.
Titik potong dengan sumbu X
2
:
x
1
=0, x
3
=0, sehingga 0+5x
2
+0=2.705, ataux
2
=541.
Titik potong dengan sumbu X
3
:
Bab 3Model Nor mat i f 178

x
1
= 0, x
2
=0, sehingga 0+0+2x
3
= 2.705, ataux
3
=1.352,5.
Batas-batas kendala ditunjukkkan oleh Gambar 3.10.







X
2






X
1





X
3

Gambar 3.10 Daerah layak kendala 1
Bab 3Model Nor mat i f 179

Kendala 2: Mesin pres.
Setiap jenis genteng melalui mesin pres yang dalam
seminggu hanya dapat bekerja paling lama 2.210 menit,
sehingga ditulis:
5,4x
1
+10,0x
2
+4,0x
3
s2.210
Pembatas (limit) daripada kendala ini adalah:
5,4x
1
+10,0x
2
+4x
3
=2.210
Titik potong dengan sumbu X
1
:
x
2
=0, x
3
=0, sehingga 5,4x
1
+0+0=2.210, ataux
1
=409,2.
Titik potong dengan sumbu X
2
:
x
1
=0, x
3
= 0, sehingga 0+10x
2
+0=2.210, ataux
2
=221
Titik potong dengan sumbu X
3
:
x
1
=0, x
2
=0, sehingga 0+0+4x
3
=2.210, ataux
3
=552,5.
Batas-batas kendala ini diberikan pada Gambar 3.11.
X
2





X
1



Bab 3Model Nor mat i f 180



X
3

Gambar 3.11 Daerah penyelesaian kendala 2
Kendala 3: Mesin pengering
Setiap jenis genteng melalui mesin pengering yang dalam
seminggu hanya dapat bekerja paling lama 445 menit, sehingga
kendala ditulis:
0,7x
1
+1,0x
2
+2,0x
3
s445
Pembatas (limit) daripada kendala ini ini adalah:
0,7x
1
+1,0x
2
+2,0x
3
=445
Titik potang dengan sumbu X
1
:
x
2
=0, x
3
=0, sehingga 0,7x
1
+0+0= 445, ataux
1
=635,7.
Titik potong dengan sumbu X
2
:
x
1
=0, x
3
=0, sehingga 0+x
2
+0=445, ataux
2
=445.
Titik potong dengan sumbu X
3
:
x
1
=0, x
2
=0, sehingga 0+0+2x
3
=445, ataux
3
=222,5.
Batas-batas daerah kendala ini ditunjukkan oleh Gambar 3.12.

X
2



Bab 3Model Nor mat i f 181






X
1

X
3

Gambar 3.12 Daerah penyelesaian kendala 3
Ketiga kendala tersebut kemudian digambarkan dalam
satu grafik tiga dimensi yang telihat pada Gambar 3.13.


X
2







X
1




Bab 3Model Nor mat i f 182

X
3

Gambar 3.13 Daerah layak grafik tiga dimensi
Daerah layak merupakan suatu ruang bukan berupa
bidang seperti persoalan sebelumnya. Akhirnya, kita akan
menemukan bahwa kombinasi yang optimal adalah x
1
=200;
x
2
=65, dan x
3
=120, dengan laba total sebesar Rp 5.375,00.
Soal Latihan
1. Cirikan dan diskusikan standar yang ada untuk menilai
mutu hal-hal berikut!
1. anggur;
2. coffe mix;
3. penjaga sekolah;
4. presiden baru;
5. program televisi;
6. tes sikap karyawan;
7. obat baru;
8. hasil akhir suatu produk;
9. bekerjanya sebuah model inventori;
10. proposal penelitian;
Bab 3Model Nor mat i f 183

11. model pakaian;
12. dokter keluarga;
13. perpustakaan perusahaan;
14. pajak penghasilan.
15. Jika penjualan menurun di bawah suatu level tertentu
kebijakan perusahaan adalah memotong setengah biaya
iklan. Bagaimana pertimbangan kesalahan jenis II bisa
mempengaruhi posisi ini?
16. Gunakan metode cut and try dari pendekatan untuk
menemukan nilai x yang memaksimumkan perubahan
persen dalam volume penjualan y. Peubah yang dapat
dikontrol x menyamakan persen perubahan dalam
pembiayaan iklan dari tahun sebelumnya. Karena
kebijakan perusahaan diketahui bahwa penurunan tidak
lebih dari setengah persen dapat diterima dan model
tidak dipertimbangkan sahih untuk nilai-nilai x yang
memiliki 1,5 persen.
Metode dikembangkan untuk manajer iklan oleh bagian
perusahaan kelompok penelitian operasional adalah
y=3x
3
-4x
2
-x.
1. Diskusikan hasil yang Anda dapatkan dan nilai kondisi
mana yang bisa rasional!
2. Berapa nilai x dalam rentang yang ditetapkan yang
meminimumkan volume penjualan?
Bab 3Model Nor mat i f 184

3. Apa hasil untuk y pada nilai ekstrem x?
4. Tentukan akar dari persamaan ini dan jelaskan
bagaimana mereka memberikan informasi yang
berguna! (Metode Newton mungkin bisa membantu.)
5. Satu akar dari f(x)=3x
2
+5x-2 diberikan oleh taksiran awal
x=-1. Dengan menggunakan metode Newton, dapat
ditentukan bahwa nilai sebenarnya x=-2. Gunakan
pendekatan yang sama untuk menemukan nilai akar
lainnya!
6. Untuk model laba p=2500 s + 2000 s
2
540, apa yang
diberikan oleh turunan keduanya? Apa yang dikerjakan
model ini dalam bentuk normatif?
7. Pabrik kunci dalam bab ini memutuskan, berdasarkan
mutu, melanjutkan pabrik bagian pengganti. Pesaingnya,
pada sisi lain, berjalan melalui proses pemikiran yang sama
tetapi menemukan taksiran numerik sebagai berikut:
x=y/2=2a=46=6c=8d=10e. Jika pasar penggantian total
=100x, apa kesimpulan yang harus dicapai pesaing?
8. Perhatikan masalah petani. Apa yang terjadi jika ramalan
cuaca dapat memperbanyak dengan sebuah
pengujianramalan sempurna. Gunakan pendekatan
Bayesian untuk menurunkan representasi pohon
keputusan yang sesuai. Diskusikan hasil Anda dan
tunjukkan bahwa ramalan petani (atau setiap taksiran
subjektif eksekutif) akan merefleksikan peluang dari hasil
pengujian di bawah kondisi ini.
Bab 3Model Nor mat i f 185

9. Gunakan prosedur yang sama yang dijelaskan pada soal
nomor 7untuk menunjukkan apa yang terjadi jika
pengujian tidak andal secara total!
10. Sarankan garis umum yang diperlukan untuk memodel
masalah-masalah berikut dalam bentuk antrian!
1. Suatu keputusan investasi (urutan kuantitas) untuk
barang yang mahal.
2. Jadual kedatangan dan keberangkatan pada sebuah
bandara udara yang ramai sekali.
3. Jumlah pelayanan yang diperlukan untuk memberi-
kan sebuah restoran yang sibuk dan besar.
4. Bagian operasi meja permainan.
11. Bagaimana model antrian dapat digunakan untuk tujuan
normatif?
12. Apakah rasional untuk menyatakan bahwa kekongruenan
dari dua segitiga didasarkan pada transformasi isomorphic
sementara kemiripan dari dua segitiga dikaitkan pada
transformasi homomorphic? Diskusikan!
13. Seorang eksekutif menyatakan bahwa dua tujuan
personalnya adalah penghasilan dan waktu senggang. Ia
menghabiskan 77 jam per minggu dalam kegiatan
rutinnya; tidur, bepergian, dan sebagainya, sehingga waktu
senggangnya dihitung 168-77=91 jam dikurangi waktu
yang digunakan pada pekerjaanya. Eksekutif itu sekarang
bekerja 48 jam per minggu untuk $ 20.000 per tahun. Ia
Bab 3Model Nor mat i f 186

mempunyai tawaran pekerjaan $ 24.000 yang memintanya
bekerja 54 jam per minggu, tetapi ia sudah menerima
sebuah tawaran $ 33.000 yang memerlukan 62 jam per
minggu. Apa yang dapat kita katakan tentang bobot dari
dua tujuannya? Asumsikan bahwa tiga pekerjaan adalah
serupa dalam semua aspek lainnya. Apa persyaratan
gajinya jika sebuah pekerjaan meminta 72 jam per
minggu?
14. Seorang lulusan sekolah bisnis menerima berbagai
tawaran pekerjaan. Ia memiliki tiga tujuan; gaji, kesemptan
promosi, dan lokasi. Ia mengukur kesempatan promosi
dengan banyaknya posisi eksekutif dalam perusahaan dan
ia tertarik dalam lokasi hanya dalam bentuk jarak dari kota
tempat tinggalnya makin jauh makin kurang diminati.
Tiga pekerjaan ditawarkan yang ia pikir sama bagusnya:
Tawaran pekerjaan Gaji Posisi eksekutif Jarak
A
B
C
$ 7.200
$ 7.500
$ 8.500
200
300
200
500
2.000
1.000
Bagaimana memberi bobot pada tujuannya?
15. Dikatakan bahwa penggunaan yang salah dari
penjumlahan dalam upaya mengevaluasi sebuah sistem
dengan tujuan ganda dapat menghasilkan sebuah hasil
yang kebalikan dari penyelesaian yang benar diturunkan
Bab 3Model Nor mat i f 187

dari metode perkalian. Tunjukkan sebuah contoh yang
mendemonstrasikan pengaruh ini!
16. Jelaskan sifat dari metode iteratif dan mengapa mereka
penting dalam prosedur normatif?
17. Apa yang baru dan berbeda tentang penggunaan heuristik
dalam bentuk normatif?
17. PT Pelumas. merupakan perusahaan kecil yang
memproduksi berbagai produk kimia. Dalam suatu proses
produksi, tiga bahan baku dicampur untuk memproduksi
dua produk: Penambah Bensin dan Pelarut. Setiap ton
Penambah Bensin merupakan campuran 2/5 ton bahan 1
dan 3/5 ton bahan 3. Setiap ton Pelarut merupakan
campuran 1/2 ton bahan 1, 1/5 ton bahan 2, dan 3/10 ton
bahan 3. Setelah mengurangkan biaya-biaya yang relevan,
kontribusi laba adalah Rp 40.000,00 untuk setiap ton
Penambah Bensin dan RP 30.000,00 untuk setiap ton
Pelarut yang diproduksi. Produksi PT Pelumas menghadapi
kendala berupa terbatasnya persediaan ketiga bahan baku
tersebut. Untuk periode produksi sekarang, PT Pelumas
memiliki persediaan bahan baku sebagai berikut:
Bahan Baku Jumlah yang tersedia untuk produksi
Bahan 1
Bahan 2
Bahan 3
20 ton
5 ton
21 ton
Bab 3Model Nor mat i f 188

Dengan mengasumsikan bahwa PT Pelumas ingin
memaksimumkan total kontribusi laba, jawablah
pertanyaan-pertanyaan benkut!
1. Bagaimana model pemrograman linear untuk masalah
ini?
2. Carilah penyelesaian optimalnya! Berapa ton yang
harus diproduksi untuk setiap produk, dan berapakah
projeksi total kontribusi labanya?
3. Adakah bahan baku yang tidak terpakai? Jika ada,
berapa banyak?
4. Adakah kendala yang sia-sia? Jika ada, yang mana?
vvv

Bab 3Model Nor mat i f 189


Kelompok F
Nama NIM No. Hp E-Mail
Muh. Ilham 101114005 085399089725 muhilham456@yahoo.co.id
Sidar 101114019 089665106842 uruiishida40@gmail.com
Yosef
Palayukan
101114028 08992887625 yosefpalayukan@rocketmail.com