LANDASAN TEORI
2.1 Produksi
Semua perusahaan menjalankan bisnisnya dengan memproduksi suatu barang
atau menyediakan jasa. Khusus bagi perusahaan yang bergerak di sektor industri dan
berbentuk pabrik, tentu proses produksi merupakan kegiatan utama dalam menjalani
bisnisnya. Agar operasi bisnis sukses perlu diketahui kuantitas yang tepat, dan sumber
daya manusia dengan substitusi optimal, juga input lainnya, seperti biaya produksi dan
perubahan biaya produksi tersebut (Baye, 2009, p157).
Menurut Baye (2009, p157), fungsi produksi adalah usaha mendapatkan jumlah
output yang maksimum dari sejumlah input tertentu.
Menurut McGuigan, Moyer, & Harris (2005, p296), fungsi produksi adalah
sebuah model matematika, penjadwalan (tabel), atau graf yang berhubungan dengan
kuantitas maksimum output yang dapat dikerjakankan, yang dapat dihasilkan dari
pemberian sejumlah input.
10
Semua industri sangat tergantung pada permintaan pasar terhadap produk yang
diproduksi oleh industri tersebut. Bila permintaan relatif besar, maka perusahaan perlu
memproduksi produk dengan jumlah yang dapat memenuhi jumlah yang diminta.
11
2.4 Optimalisasi
Menurut Nash & Sofer (1996, p3) optimalisasi adalah sarana untuk
mengekspresikan model matematika yang bertujuan untuk memecahkan masalah dengan
cara yang terbaik. Jika optimalisasi digunakan untuk tujuan bisnis, artinya
memaksimalkan keuntungan dan efisiensi, serta meminimalkan kerugian, biaya, dan
resiko.
Menurut Ponstein (2002, p1) optimalisasi adalah pemecahan masalah, jika paling
tidak ada satu solusi optimal. Optimalisasi merupakan penyelesaian masalah, jika paling
tidak ada satu solusi yang dapat menyelesaikan masalah.
12
Secara umum Model Peramalan dapat dibagi menjadi 3 metode untuk peramalan
masa depan dalam variabel yang diinginkan sebagai fungsi dari waktu, yaitu sebagai
berikut (Taha, 2002, p 505).
1. Metode Rata-rata Bergerak (Moving Average Method), yaitu metode yang
digunakan dengan asumsi deret waktu yang stabil, dan data dibentuk dari proses
yang konstan. Ramalan yang dihasilkan merupakan rata-rata dari data-data
terkahir menurut waktu; semakin banyak data yang diambil, semakin baik hasil
ramalannya.
2. Metode Penghalusan Eksponensial (Exponential Smothing Method), yaitu
metode yang digunakan dalam asumsi proses yang konstan, asumsi yang sama
digunakan dalam pengembangan Metode Rata-rata Bergerak, dan mengurangi
kesalahan dari Metode Rata-rata Bergerak, serta digunakan untuk bobot yang
lebih dalam kebanyakan observasi.
3. Metode Regresi Linier (Linear Regression Method), yaitu metode yang
menyebabkan terjadinya hubungan antara variabel tak bebas (dependent
variable), seperti permintaan terhadap suatu barang, dan variabel bebas
(independent variable), seperti waktu.
13
peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan data historis
yang bersifat linier, walaupun sebenarnya tidak 100% linier. Pola pertumbuhan
ini didekati dengan suatu model yang menggambarkan hubungan-hubungan yang
terkait dalam suatu keadaan.
Formula umum regresi antara variabel tak bebas x dan variabel bebas y
dinyatakan dengan :
y = b0 + b1x + b2x2 + . . . + bnxn +
di mana b0, b1, . . . , bn adalah parameter yang tidak diketahui. Random eror
memiliki rata-rata nol dan standar deviasi yang konstan.
Dalam formula paling sederhana dari Metode Regresi mengasumsikan
bahwa variabel tak bebas dibedakan secara linier dengan waktu, seperti:
y* = a + bx
konstanta a dan b dihasilkan dari data deret waktu yang diambil dari least square
criterion yang mencari untuk meminimalkan jumlah kuadrat dari perbedaan data
hasil observasi dengan nilai estimasi. Besaran (yi, xi) merepresentasikan nilai ke i
dari kolom data yang merepresentasikan deret waktu, i = 1, 2, 3, ..., n, dan
didefinisikan sebagai:
Sebagai jumlah kuadrat dari deviasi antara data hasil observasi dengan nilai
estimasi. Nilai dari a dan b berasal dari penyelesaian kondisi untuk
meminimalkan S, sebagai berikut.
14
15
di mana -1 r 1.
16
macam fungsi, yaitu fungsi tujuan (objective function) dan fungsi-fungsi batasan
(constraint functions). Fungsi tujuan adalah fungsi yang menggambarkan tujuan atau
sasaran di dalam permasalahan Linear Programming yang berkaitan dengan pengaturan
secara optimal sumber daya-sumber daya, untuk memperoleh keuntungan yang
maksimal atau biaya yang minimal. Pada umumnya nilai yang akan dioptimalkan
dinyatakan sebagai Z. Fungsi batasan merupakan bentuk penyajian secara matematis
batasan-batasan kapasitas yang tersedia yang akan dialokasikan secara optimal ke
berbagai kegiatan.
Pada dasarnya, persoalan Linear Programming dapat dirumuskan sebagai
berikut.
Cari x1, x2, x3, ..., xn
Sedemikian rupa sehingga
Z = c1x1 + c2x2 + ... + cnxn = Optimum (Maksimum atau Minimum)
dengan kendala:
a11x1 + a21x2 + ... + am1xm h1
a12x1 + a22x2 + ... + am2xm h2
a13x1 + a23x2 + ... + am3xm h3
.
.
am1x1 + am1x2 + ... + amnxn hn
x1, x2, x3, ..., xn 0
Keterangan :
17
Ada n macam barang yang akan diproduksi masing-masing sebesar x1, x2, x3, ..., xn.
x1, x2, ... = jumlah produksi barang tipe 1, 2, dan seterusnya.
c1, c2, ... = harga persatuan masing-masing jenis barang.
h1, h2, ... = nilai fungsi kendala 1, 2, dan seterusnya.
a11, ...
18
2. Additivity
Asumsi ini berarti bahwa nilai tujuan tiap kegiatan tidak saling
mempengaruhi, atau dalam Linear Programming dianggap bahwa kenaikan
dari nilai tujuan (Z) yang diakibatkan oleh kenaikan suatu kegiatan dapat
ditambahkan tanpa mempengaruhi bagian nilai Z yang diperoleh dari
kegiatan lain.
Z = 3x1 + 5x2 di mana x1 = 10 dan x2 = 2;
Sehingga Z = 30 + 10 = 40
Jika x1 bertambah 1 unit, maka sesuai dengan asumsi, maka nilai Z menjadi
33 + 10 = 43. Jadi, nilai 3 karena kenaikan x1 dapat langsung ditambahkan
pada nilai Z mula-mula tanpa mengurangi bagian Z yang di peroleh dari x2.
Dengan kata lain, tidak ada korelasi antara x1 dan x2.
3. Divisibility
Asumsi ini menyatakan bahwa keluaran yang dihasilkan oleh setiap kegiatan
dapat berupa bilangan pecahan. Demikian pula dengan nilai Z yang
dihasilkan.
4. Deterministic (certainty)
Asumsi ini menyatakan bahwa semua parameter yang terdapat dalam model
Linear Programming (aij, bi, cj) dapat diperkirakan dengan pasti, meskipun
jarang dengan tepat.
19
20
dengan sebuah fungsi linier dari m, dan ini sangat efisien dalam menyelesaikan masalah
sehari-hari.
Di antara tahun 1951 dan pertengahan tahun 1970an, tujuan utama para peneliti
adalah untuk menambah kapabilitas komputasi dari metode simpleks. Pada akhir periode
tersebut metode simpleks sudah dipercaya kematangannya. Pada pertengahan tahun
1980an perkenalan interior point method (IPM) untuk menyelesaikan masalah linear
programming telah membuat ketertarikan pada metode simpleks kembali. Selama
persaingan dengan IPM, metode simpleks sudah mengalami perkembangan yang luar
biasa besar.
Menurut Siringoringo (2005,p17-24), salah satu teknik penentuan solusi optimal
yang digunakan dalam pemrograman linier adalah metode simpleks. Penentuan solusi
optimal menggunakan metode simpleks didasarkan pada teknik eleminasi Gauss Jordan.
Penentuan solusi optimal dilakukan dengan memeriksa titik ekstrim satu per satu dengan
cara perhitungan iteratif. Sehingga penentuan solusi optimal dengan simpleks dilakukan
tahap demi tahap yang disebut dengan iterasi. Iterasi ke-i hanya tergantung dari iterasi
sebelumnya (i-1).
Ada beberapa istilah yang sangat sering digunakan dalam metode simpleks
sebagai berikut.
1. Iterasi adalah tahapan perhitungan dimana nilai dalam perhitungan itu tergantung
dari nilai tabel sebelumnya.
21
2. Variabel non basis adalah variabel yang nilainya diatur menjadi nol pada
sembarang iterasi. Dalam terminologi umum, jumlah variabel non basis selalu
sama dengan derajat bebas dalam sistem persamaan.
3. Variabel basis merupakan variabel yang nilainya bukan nol pada sembarang
iterasi. Pada solusi awal, variabel basis merupakan variabel slack (jika fungsi
kendala merupakan pertidaksamaan ) atau variabel buatan (jika fungsi kendala
menggunakan pertidaksamaan atau =). Secara umum, jumlah variabel basis
selalu sama dengan jumlah fungsi pembatas (tanpa fungsi non negatif).
4. Solusi atau nilai kanan merupakan nilai sumber daya pembatas yang masih
tersedia. Pada solusi awal, nilai kanan atau solusi sama dengan jumlah sumber
daya pembatas awal yang ada, karena aktivitas belum dilaksanakan.
5. Variabel slack adalah variabel yang ditambahkan ke model matematik kendala
untuk mengkonversikan pertidaksamaan menjadi persamaan (=). Penambahan
variabel ini terjadi pada tahap inisialisasi. Pada solusi awal, variabel slack akan
berfungsi sebagai variabel basis.
6. Variabel surplus adalah variabel yang dikurangkan
kendala untuk mengkonversikan
Penambahan ini terjadi pada tahap inisialisasi. Pada solusi awal, variabel surplus
tidak dapat berfungsi sebagai variabel basis.
7. Variabel buatan adalah variabel yang ditambahkan ke model matematik kendala
dengan bentuk atau = untuk difungsikan sebagai variabel basis awal.
Penambahan variabel ini terjadi pada tahap inisialisasi. Variabel ini harus bernilai
22
0 pada solusi optimal, karena kenyataannya variabel ini tidak ada. Variabel hanya
ada di atas kertas.
8. Kolom pivot (kolom kerja) adalah kolom yang memuat variabel masuk.
Koefisien pada kolom ini akn menjadi pembagi nilai kanan untuk menentukan
baris pivot (baris kerja).
9. Baris pivot (baris kerja) adalah salah satu baris dari antara variabel basis yang
memuat variabel keluar.
10. Elemen pivot (elemen kerja) adalah elemen yang terletak pada perpotongan
kolom dan baris pivot. Elemen pivot akan menjadi dasar perhitungan untuk tabel
simpleks berikutnya.
11. Variabel masuk adalah variabel yang terpilih untuk menjadi variabel basis pada
iterasi berikutnya. Variabel masuk dipilih satu dari antara variabel non basis pada
setiap iterasi. Variabel ini pada iterasi berikutnya akan bernilai positif.
12. Variabel keluar adalah variabel yang keluar dari variabel basis pada iterasi
berikutnya dan digantikan oleh variabel masuk. Variabel keluar dipilih satu dari
antara variabel basis pada setiap iiterasi. Variabel ini pada iterasi berikutnya akan
bernilai nol.
A. Bentuk Baku
Sebelum melakukan perhitungan iteratif untuk menentukan solusi optimal,
pertama sekali bentuk umum pemrograman linier dirubah ke dalam bentuk baku terlebih
dahulu. Bentuk baku dalam metode simpleks tidak hanya mengubah persamaan kendala
23
ke dalam bentuk sama dengan, tetapi setiap fungsi kendala harus diwakili oleh satu
variabel basis awal. Variabel basis awal menunjukkan status sumber daya pada kondisi
sebelum ada aktivitas yang dilakukan. Dengan kata lain, variabel keputusan semuanya
masih bernilai nol. Dengan demikian, meskipun fungsi kendala pada bentuk umum
pemrograman linier sudah dalam bentuk persamaan, fungsi kendala tersebut masih harus
tetap diubah.
Ada beberapa hal yang harus diperhatikan dalam membuat bentuk baku sebagai
berikut.
1. Fungsi kendala dengan pertidaksamaan dalam bentuk umum, diubah menjadi
persamaan (=) dengan menambahkan satu variabel slack.
2. Fungsi kendala dengan pertidaksamaan dalam bentuk umum, diubah menjadi
persamaan (=) dengan mengurangkan satu variabel surplus.
3. Fungsi kendala dengan persamaan dalam benttuk umum, ditambahkan satu
artificial variabel (variabel buatan).
Contoh kasus :
Maksimumkan z = 2x1 + 3x2 dengan kendala-kendala:
10 x1 + 5 x2 600
6 x1 + 20 x2 600
8 x1 + 15 x2 600
x1, x2 0
Bentuk di atas juga merupakan bentuk umum. Perubahan ke dalam bentuk baku
hanya membutuhkan variabel slack, karena semua fungsi kendala menggunakan bentuk
24
25
X1
X2
S1
S2
S3
solusi
-2
-3
S1
10
600
S2
20
600
S3
15
600
C. Langkah-langkah Penyelesaian
Langkah-langkah penyelesaian masalah dengan metode simpleks adalah sebagai
berikut.
1. Periksa apakah tabel layak atau tidak. Kelayakan tabel simpleks dilihat dari solusi
(nilai kanan). Jika solusi ada yang bernilai negatif, maka tabel tidak layak. Tabel
yang tidak layak tidak dapat diteruskan untuk dioptimalkan.
2. Tentukan kolom pivot. Penentuan kolom pivot dilihat dari koefisien fungsi tujuan
(nilai di sebelah kanan baris z) dan tergantung dari bentuk tujuan. Jika tujuan
maksimisasi, maka kolom pivot adalah kolom dengan koefisien paling negatif.
Jika tujuan minimisasi , maka kolom pivot adalah kolom dengan koefisien positif
terbesar. Jika kolom pivot ditandai dan ditarik ke atas, maka akan didapatkan
variabel keluar. Jika nilai paling negatif (untuk tujuan maksimisasi) atau positif
terbesar (untuk tujuan minimisasi) lebih dari satu, pilih salah satu secara
sembarang.
26
3. Tentukan baris pivot. Baris pivot ditentukan setelah membagi nilai solusi dengan
nilai kolom pivot yang bersesuaian (nilai yang terletak dalam satu baris). Dalam
hal ini, nilai negatif dan 0 pada kolom pivot tidak diperhatikan, artinya tidak ikut
menjadi pembagi. Baris pivot adalah baris dengan rasio pembagian terkecil. Jika
baris pivot ditandai dan ditarik ke kiri, maka akan didapatkan variabel keluar. Jika
rasio pembagian terkecil lebih dari satu, pilih salah satu secara sembarang.
4. Tentukan elemen pivot. Elemen pivot merupakan nilai yang terletak pada
perpotongan kolom dan baris pivot.
5. Bentuk tabel simpleks baru. Tabel simpleks baru dibentuk dengan pertama sekali
menghitung nilai baris pivot baru. Baris pivot baru adalah baris pivot lama dibagi
dengan elemen pivot. Baris baru lainnya merupakan pengurangan nilai kolom
pivot baris yang bersangkutan dikali baris pivot baru dalam satu kolom terhadap
baris lamanya yang terletak pada kolom tersebut.
6. Periksa apakah tabel sudah optimal. Keoptimalan tabel dilihat dari koefisien
fungsi tujuan (nilai pada baris z) dan tergantung dari bentuk tujuan. Untuk tujuan
maksimisasi, tabel sudah optimal jika semua nilai pada baris z sudah positif atau
0. Pada tujuan minimisasi, tabel sudah optimal jika semua nilai pada baris z sudah
negatif atau 0. Jika belum, kembali ke langkah no. 2, jika sudah optimal solusi
optimalnya dapat dibaca.
Penyelesaian kasus berikut ini menggunakan metode simpleks.
Maksimum z = 8 x1 + 9 x2 + 4x3 dengan kendala-kendala:
27
x1 + x2 + 2x3 2
2x1 + 3x2 + 4x3 3
7x1 + 6x2 + 2x3 8
x1,x2,x3 0
D. Penyelesaian :
Bentuk bakunya adalah sebagai berikut.
Maksimum z = 8 x1 + 9 x2 + 4x3 + 0s1 + 0s2 + 0s3 atau
z - 8 x1 - 9 x2 - 4x3 + 0s1 + 0s2 + 0s3 = 0 dengan kendala-kendala:
x1 + x2 + 2x3 + s1 = 2
2x1 + 3x2 + 4x3 + s2 = 3
7x1 + 6x2 + 2x3 + s3 = 8
x1,x2,x3 ,s1 , s2 , s3 0
Solusi/tabel awal simpleks adalah sebagai berikut..
Tabel 2.2 Tahap Awal Simpleks
Sumber: Siringoringo, 2005, p21
VB
X1
X2
X3
S1
S2
S3
NK
-8
-9
-4
S1
S2
S3
Rasio
28
Karena nilai negatif terbesar ada pada kolom X2, maka kolom X2 adalah kolom
pivot dan X2 adalah variabel masuk. Rasio pembagian nilai kanan dengan kolom pivot
terkecil adalah 1 bersesuaian dengan baris s2, maka baris s2 adalah baris pivot dan s2
adalah variabel keluar. Elemen pivot adalah 3.
Tabel 2.3 Penentuan Baris dan Kolom Pivot
pada Iterasi Pertama
Sumber: Siringoringo, 2005, p21
VB
X1
X2
X3
S1
S2
S3
NK
Rasio
-8
-9
-4
S1
S2
S3
8/6
Nilai pertama yang dimiliki adalah nilai baris pivot baru (baris x2). Semua nilai
pada baris s2 pada tabel solusi awal dibagi dengan 3 (elemen pivot).
Tabel 2.4 Baris Pivot Baru
Sumber: Siringoringo, 2005, p22
VB
X1
X2
X3
S1
S2
S3
NK
2/3
4/3
1/3
Z
S1
x2
S3
Rasio
29
Baris z:
-8
-9
-4
4/3
1/3
1 (2/3
4/3
1/3
2/3
-1/3
6 ( 2/3
4/3
1/3
-6
-2
-9 ( 2/3
-2
1) -
Baris s1:
1
1/3
1)-
Baris s3:
7
1)-
X1
X2
X3
S1
S2
S3
NK
Rasio
-2
S1
1/3
2/3
-1/3
X2
2/3
4/3
1/3
3/2
S3
-6
-2
2/3
30
Variabel masuk dengan demikian adalah X1 dan variabel keluar adalah S3 . Hasil
perhitungan iterasi ke 2 adalah sebagai berikut.
Tabel 2.6 Hasil Iterasi Kedua
Sumber: Siringoringo, 2005, p22
VB
X1
X2
X3
S1
S2
S3
NK
5/3
2/3
31/3
S1
4/3
-1/9
-1/9
7/9
X2
8/3
7/9
-2/9
5/9
X1
-2
-2/3
1/3
2/3
Rasio
31
X1
X2
X3
S1
S2
S3
NK
5/3
2/3
31/3
S1
4/3
-1/9
-1/9
7/9
X2
8/3
7/9
-2/9
5/9
X1
-2
-2/3
1/3
2/3
32
diperiksa keberadaan S1 pada variable basis table optimal. Periksa keberadaan S2 pada
variabel basis tabel optimal untuk fungsi kendala kedua. Periksa keberadaan S3 pada
variabel basis tabel optimal untuk fungsi kendala ketiga.
S1 = 7/9. Sumber daya ini disebut berlebih (abundant)
S2 = S3 = 0. Kedua sumber daya ini disebut habis terpakai (scarce).
G. Harga Bayangan
Harga bayangan dilihat dari koefisien variabel slack atau surplus pada baris fungsi
tujuan.
-
Koefisien S1 pada baris fungsi tujuan table optimal = 0, dengan demikian harga
bayangan sumber daya pertama adalah 0
Koefisien S2 pada baris fungsi tujuan table optimal = 5/3, dengan demikian
harga bayangan sumber daya kedua adalah 5/3
Koefisien S3 pada baris fungsi tujuan table optimal = 2/3, dengan demikian
harga bayangan sumber daya kedua adalah 2/3.
33
34
35
bentuk yang dapat ditransformasikan ke dalam satu atau lebih program yang
dapat dieksekusi.
3. Implementasi dan pengujian unit (Implementation)
Dalam tahap ini, desain perangkat lunak direalisasikan dalam suatu himpunan
program atau unit-unit program. Pengujian unit mencakup kegiatan verifikasi
terhadap suatu unit sehingga memenuhi syarat spesifikasinya.
4. Integrasi dan pengujian sistem (Verification)
Unit program secara individual diintegrasikan dan diuji sebagai suatu sistem
yang lengkap untuk memastikan bahwa kebutuhan perangkat lunak telah
terpenuhi. Setelah pengujian, sistem perangkat lunak disampaikan kepada
pengguna.
5. Pengoperasian dan pemeliharaan (Maintenance)
Secara normal, walaupun tidak selalu diperlukan, tahap ini merupakan bagian
siklus hidup terpanjang. Sistem telah terpasang dan sedang dalam
penggunaan. Pemeliharan mencakup perbaikan kesalahan yang tidak
ditemukan dalam tahap-tahap sebelumnya, meningktakan implementasi unitunit sistem dan mempertinggi pelayanan sistem yang disebabkan oleh
ditemukannya kebutuhan baru.
36