LANDASAN TEORI
2.1.
merupakan
usaha untuk mencapai tujuan dari organisasi itu, misalnya meminimalkan biaya
produksi. Dua fungsi utama para manajer adalah membuat perencanaan dan
melakukan pengawasan. Biasanya seorang
manajer
menyusun perencanaan,
Sedangkan
2.2.
Peramalan
permintaan akan barang barang atau jasa jasa perusahaan. Peramalan yang baik
adalah sangat penting untuk efisiensi operasi operasi manufacturing dan perusahaan
jasa.
yang
3. dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang (Sofjan Assauri, 1984 : 5)
Ada empat jenis pola data, antara lain :
1. Pola horizontal atau stationary, bila nilai nilai dari data berfluktuasi
disekitar nilai konstan rata rata. Dengan demikian pola ini dapat dikatakan
sebagai stasionary pada rata rata hitungnya (mean)
2. Pola musiman atau seaoanal , bila suatu deret waktu dipengaruhi oleh faktor
musim (kuartalan, bulanan, mingguan dan harian)
3. Pola siklus atau cyclical
ekonomi jangka panjang yang berkaitan atau bergabung dengan siklus usaha
(business cycle)
4. Pola trend, bila ada pertambahan atau kenaikan atau penurunan dari data
observasi untuk jangka panjang . Pola ini terlihat dari penjualan produk
banyak perusahaan (Sofjan Assauri, 1984 : 46).
Metode Moving Average diperoleh melalui penjumlahan dan pencarian nilai rata
rata dari sejumlah periode tertentu, setiap kali nilai terlama dan menambah nilai baru.
MA =
X
Jumlah
Periode
Keterangan :
MA = Moving Averages
X
= Jumlah Produk
Dengan tambahan bahwa satu nilai X diganti setiap periode. Perhitungan rata
rata dilakukan dengan bergerak ke depan untuk memperkirakan periode yang akan
datang dan dicatat dalam posisi terpusat pada data rata ratanya. Moving Average
secara efektif meratakan atau menghaluskan fluktuasi pola data yang ada. Tentu saja
semakin panjang periodenya, semakin rata kurvanya. Kebaikan lainnya adalah bahwa
metode Moving Average dapat diterapkan pada jenis data apapun juga, apakah data
sesuai dengan suatu kurva matematik atau tidak.
Exponential Smoothing adalah suatu tipe teknik peramalan rata rata bergerak yang
melakukan penimbangan terhadap data masa lalu dengan cara eksponensial sehingga
data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata rata
bergerak. Dengan exponensial smoothing sederhana, peramalan dilakukan dengan
cara ramalan periode terakhir ditambah porsi perbedaan (disebut ) antara
permintaan nyata periode terakhir dan ramalan periode terakhir. Persamaan peramalan
Exponential Smoothing adalah :
F t = Ft -1 + (At 1 - Ft 1 ) , dimana ;
2
n + 1
Keterangan :
Ft
F t1
= konstanta pemulusan
karena hal itu akan memberikan bobot yang lebih kecil pada permintaan sekarang.
Nilai nilai yang rendah terutama cocok bila permintaan produk relative
stabil (tanpa trend atau variasi siklikal) tetapi variasi acak adalah tinggi. Nilai nilai
Teknik mencari estimasi untuk nilai a dan b dengan meminimumkan jumlah kuadrat
jarak antara setiap unit data dan dalam hubungannya dengan titik pada garis regresi
yang dibuat. Perhitungan yang diperlukan untuk menentukan nilai a dan b dalam
persamaan regresi Y = a + b X, dilakukan dengan pemecahan persamaan persamaan
berikut ( T.Hani Handoko, 1984 : 286 ):
a =Y -b X
b =
nX Y X
n X ( X )2
2
Keterangan :
n = jumlah observasi dalam sampel
X = variable bebas
Y = variabel bergantung
a = intercept fungsi pada aksis Y bila X = 0
b = kemiringan garis fungsi
MAD =
yt yt '
N
MSE
( y
yt ' )
ME =
yt y 't
N
Suatu peramalan dengan MAD 10,0 kedengarannya baik, tetapi jika nilai rata
rata data 1,0 maka nilai MAD tersebut amat mengkhawatirkan; tetapi jika rata rata
ialah 10.000, MAD sebesar 10,0 adalah sangat menggembirakan.
Proses verifikasi digunakan untuk melihat apakah metode peramalan yang diperoleh
representatif terhadap data. Proses verifikasi dilakukan dengan menggunakan Moving
Range. Dari peta ini dapat terlihat apakah sebaran berada di luar batas kendali. Jika
berada di luar batas kendali, maka peramalan tersebut tidak sesuai atau tidak
representatif. Moving Range dapat didefenisikan sebagai :
MR
n 1
Garis tengah peta Moving Range adalah pada titik nol. Batas kendali atas (BKA) dan
bawah (BKB) pada peta Moving Range adalah:
BKA = +2.66 MR dan BKB = -2.66MR
Sementara itu, variabel yang akan diplot ke dalam peta Moving Range :
y t = yt - yt
Uji yang paling konklusif bagi kondisi di luar kendali adalah titik di luar batas
kendali. Selain itu terdapat pula uji lainnya dengan tingkat kemungkinan yang sama.
Teknik yang digunakan berikut ini dirancang agar dapat digunakan dengan jumlah
data yang seminimal mungkin. Uji ini dilakukan dengan cara membagi peta kendali ke
dalam enam bagian dengan selang sama. Perhatikan gambar 2.1. Daerah A adalah
daerah di luar 2/3 (2.66MR) = 1.77MR (di atas +1.77 dan dibawah -1.77MR)
tetapi masih di dalam batas control 2.66MR. Daerah B adalah daerah di luar
1/3(2.66MR) = 0.89MR (di atas 0.89 dan di bawah -0.89MR) tetapi masi di
bawah batas daerah A 1.77MR. Daerah C adalah daerah di atas atau di bawah garis
tengah dan dibatasi oleh batas daerah B 0.89MR. Uji di luar kendali adalah :
a.
dari tiga titik berturut-turut, ada dua atau lebih titik yang berada di daerah A
b.
dari lima titik berturut-turut, ada empat atau lebih titik yang berada di daerah B
c.
ada delapan titik berurut-turut yang berada di salah satu sisi (di atas atau di bawah
garis tengah)
Kondisi apabila ketiga kriteria di atas terjadi maka diperlakukan sama dengan kondisi
titik yang berada di luar batas kendali.
y - y
Daerah Di luar Kendali
Daerah A
Daerah B
Daerah C
Daerah C
Daerah B
Daerah A
Gambar 2.1
Pembagian Daerah A/B/C pada Peta Moving Range
2.3.
Apapun jenis model, akan memiliki sedikit nilai praktis jika tidak didukung oleh data
yang
handal.
Walaupun sebuah
model
didefenisikan
dengan
baik,
mutu
pemecahannya akan bergantung pada seberapa baik kita dapat mengestimasi data. Jika
estimasi tersebut terdistorsi, pemecahan yang diperoleh, walaupun optimal dalam arti
matematis, pada kenyataannya dapat bermutu rendah dari
nyata.
tersebut,
struktur
model
kemungkinan
perlu
diubah
untuk
Pengambilan keputusan adalah suatu proses yang dikembangkan secara bertahap dan
sistematis. Tidak semua proses pengambilan keputusan dapat dikembangkan secara
sistematis dan bertahap. Bertahap dan sistematis artinya memiliki kriteria yang
sistematis melalui sistem prosedur tertentu yang jelas dan teratur. Suatu kriteria yang
baik haruslah mempunyai suatu ukuran atau nilai yang jelas, dapat dipergunakan
untuk menilai berbagai akternatif pilihan, dan dapat dengan mudah dihitung dan
dijabarkan.
2.4.
Linear Programming
2.4.1.
Tujuan dari Linear Programming adalah suatu hasil yang mencapai tujuan
yang ditentukan (optimal) dengan cara yang paling baik diantara semua alternatif yang
mungkin dengan batasan sumber daya yang tersedia. Meskipun mengalokasi sumber
sumber daya kepada kegiatan kegiatan merupakan jenis aplikasi yang paling umum,
Linear Programming mempunyai banyak aplikasi penting lainnya. Sebenarnya, setiap
masalah yang metode matematisnya sesuai dengan format umum bagi Linear
Programming merupakan masalah bagi Linear Programming. Selanjutnya suatu
prosedur penyelesaian yang sangat efisien, dinamakan metode simpleks, tersedia
untuk menyelesaiakan masalah masalah linear programming.
2.4.2.
Pembuatan Model
a
j =1
ij
X j=
; atau ; ,
i = 1, 2, . . .,m
Model dasar diatas juga dapat dirumuskan ke dalam notasi matriks seperti
berikut:
Z = C X
Syarat ikatan :
AX atau b dan X 0
Terdapat 4 buah karakter yang menjadi yang menjadi sifat dari Linear Programming,
yaitu sebagai berikut:
1. Semua pembatas berupa persamaan
2. Elemen ruas kanan dari persamaan adalah non- negatif
3. Semua variabel adalah non-negatif
4. Fungsi tujuan dapat berupa maksimasi atau minimasi.
a1X1 + a2X2
b1
b1 0
a1X1 + a2X2
= b1
S1 0
b2
b2 0
Didalam
a1X1 + a2X2 - S1
menyelesaikan
a1X1 + a2X2 + S2
= b1
S2 0
persoalan
Linear
Programming
dengan
menggunakan metode simpleks, bentuk dasar yang digunakan adalah bentuk standar.
Karena itu setiap masalah Linear Programming harus diubah kedalam bentuk standar
sebelum diselesaika dengan metode simpleks.
untuk memperoleh basis, atau juga dapat dinyatakan sebagai satuan variabel semu
(palsu) yang mempunyai sifat menggunakan satu satuan sumber terbatas untuk setiap
satu satuan variabel artificial yang terjadi. Variabel artificial ini mempunyai koefisien
fungsi tujuan yang sangat besar, dimana harga ini dapat bernilai negatif atau positif,
tergantung pada sifat fungsi tujuannya, maksimasi atau minimasi.
C n = -M ; untuk maksimasi fungsi tujuan
C n = +M; untuk minimasi fungsi tujuan
Keterangan :
C n = koefisien fungsi tujuan untuk variabel artificial X 1n
M = bilangan bulat positif yang sangat besar
Pada tahun 1947, seorang ahli matematika Amerika George Dantzig menemukan dan
mengembangkan suatu metode pemecahan model Linear Programming, metode
simpleks. Metode merupakan ini teknik yang dapat memecahkan model yang
mempunyai variabel keputusan dan pembatas yang lebih besar dari dua. Bahkan pada
akhirnya secara teoritis, metode ini dapat menangani variabel keputusan dan pembatas
dengan jumlah yang tak terbatas atau terhingga. Algoritma simpleks diterangkan
dengan menggunkan logika aljabar matriks, sehingga operasi perhitungan dapat lebih
efisien.
Kondisi Feasible
Yang menyatakan bahwa yang dioptimalkan adalah solusi solusi fesiable dasar
(basic feasible solution).
Tabel 2.1
Format Tabel Simpleks
Cj
C1
C2
C3
..
Cm
BV
X1
X2
X3
Xm
C1
B1
a 11
a 21
a 31
. .
a 1m
b1
C2
B2
a 21
a 22
a 32
..
a 2m
b2
Cn
Bn
a n1
a n2
a n3
a nm
bn
C1 Z1
C2 Z2
C3 Z3
Cm - Zm
Ci
C row = C j - Z j
b iC i
Keterangan :
C i = koefisien fungsi tujuan yang berhubungan dengan variabel basis ke-i
C j = koefisien fungsi tujuan yang berhubungan dengan semua variabel ke-j (variabel
basis maupun variabel non basis )
b i = nilai dari variabel ke-I, sedangkan nilai variabel non basis adalah nol
a ij = substitution ratio pada perpotongan baris ke-i dan kolom ke-j dibawah variabel
non basis; sedangkan yang berada dibawah variabel basis adalah matriks
satuan yang berniali 0 atau 1
1.
Formulasikan masalah
a. Membuat fungsi tujuan dan fungsi pembatas
b. Mengubah bentuk pertidaksamaan menjadi persamaan dengan menambah
variabel slack atau variabel surplus serta variabel artificial.
c. Modifikasi fungsi tujuan dengan memasukkan variabel slack, variabel surplus
atau variabel artificial bersama-sama dengan koefisien yang sesuai.
2.
Program awal
Membuat program awal sehingga hanya variabel slack atau variabel artificial
yang termasuk di dalam jawaban. Gambarkan program ini di dalam tabel
simpleks.
3.
Analisis sentifitas atau analisis pasca optimal merupakan suatu usaha untuk
mempelajari nilai nilai dari peubah peubah pengambilan keputusan dalam suatu
model matematika jika satu atau beberapa parameter model tersebut berubah. Dalam
suatu persoalan Linear Programming analisis sensitifitas menyangkut analisis
terhadap nilai nilai peubah pengambilan keputusan sebagai dampak perubahan
dalam koefisien fungsi tujuan, konstanta ruas kanan dan fungsi pembatas (Zainal
Mustafa : 86).
1.
perlu dianalisis seberapa besar koefisien C j dapat berubah (dinaikkan atau diturunkan)
tanpa mempengaruhi solusi optimal. Untuk menentukan range perubahan koefisien
fungsi tujuan, digunakan rumus sebagai berikut :
^
=
C j C B . Y j C j , dimana
C B = koefisien fungsi tujuan pada tabel optimal
^
2.
ditentukan dengan menyelidiki perubahan konstanta ruas kanan yang baru pada tabel
optimal. Atau dirumuskan sebagai berikut :
^
bi = B 1. bi , dimana
^
3.
yang
Degenerasi
Jika dalam metode simpleks terdapat minimal dua rasio minimum yang sama,
sehingga dipilih secara sembarang untuk menentukan variabel keluar. Tetapi ketika
hal tersebut diatas terjadi, satu variabel dasar atau lebih pasti akan sama dengan nol
dalam iterasi berikutnya. Dalam kasus ini pemecahan baru tersebut adalah degenerasi.
2.
Alternatif optimal
Ketika fungsi tujuan adalah sejajar dengan satu dengan satu batasan yang mengikat,
maka fungsi tujuan akan memiliki nilai optimal yang sama di lebih dari satu titik
sudut. Karena alas an tersebut, pemecahan ini disebut alternatif optimal (Hamdy A.
Taha, 1993:90). Dalam penerapan metode simpleks kasus alternatif optimal ini dapat
diidentifikasikan permasalahannya dengan melihat tabel iterasi metode simpleks,
dengan ciri ciri diamana nilai koefisien variabel non basis dalam persamaan Z
adalah sebesar nol.
3.
Dalam beberapa model Linear Programming, nilai variabel dapat meningkat secara
tidak terbatas tanpa melanggar salah satu batasan, yang berarti bahwa ruang
pemecahan tidak dibatasi (unbounded). Akibatnya nilai fungsi tujuan dapat meningkat
(maksimasi) atau menurun (minimasi) secara tidak terbatas ( Hamdy A. Taha, 1993:
92). Pada kasus ini dapat diaktakan bahwa baik ruang pemecahan maupun nilai fungsi
tujuan optimal tidak dibatasi. Pada kasus pemecahan yang tidak dibatasi dapat segera
diidentifikasi dari iterasi tabel simpleks, dimana semua koefisien pembatas pada
kandidat kolom kunci bernilai negatif atau nol.
4.
Jika batasan tidak dapat dipenuhi secara simultan, model tersebut dikatakan tidak
memiliki pemecahan yang layak. Situasi ini tidak akan terjadi jika semua batasan
berjenis (dengan asumsi konstanta sisi kanan yang nonnegatif), karena variabel
slack selalu memberikan pemecahan yang layak. Ketika menggunakan variabel
artificial yang berdasarkan pada rancangannya sendiri tidak akan memberikan
pemecahan yang layak untuk model semula. Ketentuan pinalti untuk memaksa
variabel artificial berniali nol di pemecahan optimal menyebabkan model memiliki
ruang layak (Hamdy A. Taha, 1993:93). Jika tidak memiliki pemecahan yang layak
ditandai dengan cirri ciri dimana setidaknya satu variabel artificial berniali positif di
ierasi tabel simpleks optimal.