Anda di halaman 1dari 52

PRAKTIKUM MODEL OPTIMASI

LAPORAN AKHIR

Diajukan untuk Memenuhi dan Melengkapi Persyaratan Akademik Mata Kuliah


Praktikum Statistika Industri pada Program Studi Teknik Industri Fakultas Teknik
Universitas Widyatama

Oleh:
Nama : Aldri Satria Gusmon
NPM : 0516101068

LABORATORIUM PERANCANGAN OPTIMASI DAN SISTEM


INDUSTRI
PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS WIDYATAMA
BANDUNG
2018
LEMBAR PENGESAHAN

(PRAKTIKUM MODEL OPTIMASI)

LAPORAN AKHIR
PROGRAM STUDI TEKNIK INDUSTRI – FAKULTAS TEKNIK
UNIVERSITAS WIDYATAMA

Oleh:
Nama : Aldri Satria Gusmon
NPM : 0516101068

Telah Disetujui dan Disahkan di Bandung, Tanggal _____________

Menyetujui,

Asisten Praktikum Model Optimasi

Asisten Asisten

Rizka Yasra Muhammad Raihan

Mengesahkan,

Instruktur Praktikum Model Optimasi

Asep Anwar, S.T. M.T

i
KATA PENGANTAR

Puji dan syukur Penulis panjatkan kepada Allah Yang Maha Esa atas atas segala
nikmat, rahmat dan karunia-Nya sehingga tugas laporan ini dapat diselesaikan
dengan baik. Praktikan juga mengucapkan banyak-banyak terimakasih kepada
pihak-pihak yang telah mendukung agar laporan ini terselesaikan. Praktikan
mengusahakan semaksimal mungkin dan tentunya dengan bantuan berbagai pihak,
sehingga dapat memperlancar pembuatan Laporan Akhir ini. Praktikan juga tidak
lupa menyampaikan banyak terima kasih kepada semua pihak yang telah membantu
dalam pembuatan Laporan Akhir ini. Ucapan terimakasih penulis dikhususkan
kepada:

1. Allah SWT yang senantiasa memberikan karunianya berupa kesehatan,


kekuatan, kesempatan serta nikmat yang berlimpah kepada Praktikan untuk
menyelesaikan laporan ini.
2. Orang tua yang selalu memberikan semangat dukungan kepada Penulis baik itu
moral maupun materi serta doa yang telah mereka panjatkan kepada tuhan yang
maha kuasa untuk kelancaran penyelesaian laporan ini.
3. Instruktur praktikum, Bapak Asep Anwar, S. T., M.T serta asistennya, yang
selalu memberikan pengarahan dan bimbingan selama masa praktikum Model
Optimasi.
4. Teman-teman senasib dan seperjuangan di Kost 41 yang membantu hingga
Laporan Akhir ini selesai dikerjakan.

Praktikan berharap semoga Laporan Tugas Akhir ini dapat bermanfaat bagi
pembaca. Akhirnya Praktikan mengharapkan semoga dari Laporan Akhir ini dapat
diambil hikmah dan manfaatnya sehingga dapat memberikan inspirasi terhadap
pembaca.
Bandung, 16 Mei 2018

Aldri Satria Gusmon

ii
DAFTAR ISI
Halaman
LEMBAR PENGESAHAN ................................................................................... i
KATA PENGANTAR ........................................................................................... ii
DAFTAR ISI ......................................................................................................... iii
DAFTAR TABEL ................................................................................................. v
DAFTAR GAMBAR ............................................................................................ vi
BAB I PENDAHULUAN ...................................................................................... 1
1.1. LATAR BELAKANG MASALAH ............................................................. 1
1.2. TUJUAN ...................................................................................................... 2
BAB II LANDASAN TEORI ............................................................................... 3
2.1. PEMROGRAMAN LINIER ........................................................................ 3
2.1.1 PEMROGRAMAN LINIER METODE GRAFIS ................................. 7
2.1.2 PEMROGRAMAN LINIER METODE SIMPLEKS ............................ 8
2.1.3 METODE BIG M ................................................................................. 10
2.2. TRANSPORTATION................................................................................... 11
2.3. INTEGER & MIXED INTEGER PROGRAMMING ................................... 13
2.4. ASSIGNMENT ............................................................................................ 14
BAB III URAIAN PEMECAHAN MASALAH .............................................. 15
3.1. FLOWCHART KEGIATAN PRAKTIKUM .............................................. 15
3.2. URAIAN FLOWCHART KEGIATAN PRAKTIKUM .............................. 16
3.2.1. Studi Literatur ..................................................................................... 16
3.2.2. Pengumpulan Data .............................................................................. 16
3.2.3. Pengolahan Data.................................................................................. 17
3.2.4. Analisis................................................................................................ 17
3.2.5. Kesimpulan dan Saran......................................................................... 18
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ............................. 19
4.1 LINEAR PROGRAMMING (METODE GRAFIS) ...................................... 19
4.1.1 Pengumpulan Data ............................................................................... 19
4.1.2 Pengolahan Data................................................................................ 20
4.2 LINEAR PROGRAMMING (METODE SIMPLEKS) ................................. 22
4.2.1 Pengumpulan Data ............................................................................... 22

iii
4.2.2 Pengolahan Data................................................................................... 24
4.3 LINEAR PROGRAMMING (METODE BIG M) ......................................... 26
4.3.1 Pengumpulan Data ............................................................................... 26
4.3.2 Pengolahan Data................................................................................... 27
4.4 MODEL TRANSPORTASI ........................................................................ 30
4.4.1 Pengumpulan Data ............................................................................... 30
4.4.2 Pengolahan Data................................................................................... 31
4.5 MODEL PENUGASAN .............................................................................. 35
4.5.1 Pengumpulan Data ............................................................................... 35
4.5.2 Pengolahan Data................................................................................... 36
BAB V ANALISIS ............................................................................................... 39
5.1. PEMROGRAMAN LINIER (METODE GRAFIS) ................................... 39
5.2. PEMROGRAMAN LINIER (METODE SIMPLEKS) .............................. 40
5.2.1 Kasus 1 ................................................................................................. 40
5.2.2 Kasus 2 ................................................................................................. 40
5.2.3 Kasus 3 ................................................................................................. 40
5.3. PEMROGRAMAN LINIER (METODE BIG M) ...................................... 40
5.3.1 Kasus 1 ................................................................................................. 40
5.3.2 Kasus 2 ................................................................................................. 41
5.4. MODEL TRANSPORTASI ....................................................................... 41
5.5. MODEL PENUGASAN ............................................................................. 41
BAB VI KESIMPULAN DAN SARAN............................................................. 43
6.1 KESIMPULAN ........................................................................................... 43
6.2 SARAN ....................................................................................................... 43
DAFTAR PUSTAKA .......................................................................................... 44
LAMPIRAN ........................................................................................................ 45

iv
DAFTAR TABEL

Halaman
Tabel 4.1 Studi Kasus I ........................................................................................ 20
Tabel 4.2 Tahapan Pekerjaan ............................................................................... 22
Tabel 4.3 Data Bahan ........................................................................................... 23
Tabel 4.4 Data Proses Produksi ............................................................................ 23
Tabel 4.5 Potensial dan Biaya .............................................................................. 24
Tabel 4.6 Tabel Awal Kasus 1 ............................................................................. 24
Tabel 4.7 Iterasi Kasus 1 ...................................................................................... 24
Tabel 4.8 Tabel Awal Kasus 2 ............................................................................. 25
Tabel 4.9 Iterasi 1 Kasus 2 ................................................................................... 25
Tabel 4.10 Iterasi 2 Kasus 2 ................................................................................. 25
Tabel 4.11 Tabel Awal Kasus 3 ........................................................................... 26
Tabel 4.12 Iterasi 1 Kasus 3 ................................................................................. 26
Tabel 4.13 Iterasi 2 Kasus 3 ................................................................................. 26
Tabel 4.14 Iterasi 3 Kasus 3 ................................................................................. 26
Tabel 4.15 Bentuk Standar Kasus 1 Metode Big M ............................................. 27
Tabel 4.16 Tabel Awal Kasus 1 Metode Big M ................................................... 28
Tabel 4.17 Iterasi 1 Kasus 1 Metode Big M ......................................................... 28
Tabel 4.18 Iterasi 2 Kasus 1 Metode Big M ......................................................... 28
Tabel 4.19 Iterasi 3 Kasus 1 Metode Big M ......................................................... 28
Tabel 4.20 Tabel Awal Kasus 2 Metode Big M ................................................... 29
Tabel 4.21 Tabel Awal Kasus 2 Metode Big M ................................................... 29
Tabel 4.22 Iterasi 1 Kasus 2 Metode Big M ......................................................... 29
Tabel 4.23 Iterasi 2 Kasus 2 Metode Big M ......................................................... 29
Tabel 4.24 Iterasi 3 Kasus 2 Metode Big M ......................................................... 29
Tabel 4.25 Iterasi 4 Kasus 2 Metode Big M ......................................................... 30
Tabel 4.26 Iterasi 5 Kasus 2 Metode Big M ......................................................... 30
Tabel 4.27 Produksi Pabrik A, B, C ................................................................... 350
Tabel 4.28 Kapasitas Produksi Gudang.............................................................. 360
Tabel 4.29 Biaya Distribusi ................................................................................ 360

v
DAFTAR GAMBAR

Halaman
Gambar 3.1 Flowchart Kegiatan Praktikum ............................................................ 15
Gambar 4.1 Grafik Kasus 1 ...................................................................................... 20
Gambar 4.2 Grafik Kasus 2 ...................................................................................... 21
Gambar 4.3 Solver Status LINGO ............................................................................ 37

vi
BAB I
PENDAHULUAN

1.1. LATAR BELAKANG MASALAH

Perumusan suatu kombinasi dalam memecahkan masalah matematis dapat


dilakukan dengan menggunakan pemograman linier. Maksimasi dan minimasi
merupakan suatu cara dalam menentukan sumber daya yang terbatas dalam sebuah
produksi, sesuai dengan sesuatu yang ingin dicapai dalam sebuah produksi maupun
penjualan

Memaksimalkan atau maksimasi dalam penjualan produk bermanfaat agar


produsen dalam menghitung laba maksimal yang didapat. Bahan baku yang
digunakan pada saat produksi dapat dihitung sebagai salah satu cara produsen
memperbesar laba yang didapat. Hal ini tidak bisa dilakukan asal-asalan jika ingin
memperoleh keuntungan yang maksimal. Dibutuhkan suatu penelitian dan analisis
mengenai masalah tersebut. Masalah-masalah optimasi akan tetapi hanya berlaku
pada masalah yang dapat diubah kedalam fungsi linear.

Memecahkan masalah dalam menghadapi persoalan matematis dapat dilakukan


dengan berbagai cara salah satunya menggunakan linier programming, untuk
menemukan beberapa kombinasi alternatif pemecahan masalah. Perumusan
masalah dari informasi sumber daya yang ada pembatasan masalah yang menjadi
persoalan yang dioptimalkan tergantung pada apa yang ingin dicapai, salah satu
tekniknya dengan maksimasi dan minimasi. Penyusunan alokasi sumber daya yang
terbatas untuk pengambilan keputusan yang akan dilakukan dari persamaan dan
ketidaksamaan linier. Kebijaksanaan selanjutnya untuk memutuskan sumber daya
dan dana yang terbatas mencapai sasaran yang tepat.

Praktikum Model Optimasi mengenai Pemrograman Linier kali ini dapat digunakan
dalam memecahkan sebuah masalah. Progam linier yang digunakan praktikan
dalam pemecahan masalah adalah metode grafis, metode simpleks dan metode Big
M. Metode grafis digunakan karena kasus yang akan dipecahkan oleh praktikan
memiliki 2 variabel saja sehingga metode grafis dapat diterapkan pada masalah ini.
Metode simpleks digunakan untuk memecahkan kasus yang memiliki lebih dari 2

1
Universitas Widyatama Praktikum Model Optimasi

variabel dan yang tidak dapat diselesaikan dengan metode grafis. Metode Big M
digunakan untuk memecahkan kasus yang tidak berada pada bentuk baku atau
standar. Software Lingo dapat digunakan dalam menyelesaikan model transportasi
dan model penugasan.

1.2. TUJUAN

Berdasarkan praktikum ini, praktikan diharapkan:


1. Mengerti formulasi permasalahan pemrograman linier.
2. Mampu menyelesaikan model pemrograman linier dengan metode grafik.
3. Mampu menyelesaikan model pemrograman linier dengan metode simpleks.
4. Mampu menyelesaikan model pemrograman linier dengan metode big m.
5. Mampu menyelesaikan model transportasi menggunakan Program LINGO.
6. Mampu menyelesaikan model penugasan menggunakan Program LINGO.

2
BAB II
LANDASAN TEORI

2.1. PEMROGRAMAN LINIER

Morse dan Kimball menyatakan bahwa riset operasi adalah metode ilmiah yang
memungkinkan para manajer untuk mengambil keputusan mengenai kegiatan yang
ditangani secara kuantitatif. Churchman, Arkoff, dan Arnoff mendefinisikan bahwa
riset operasi merupakan aplikasi metode-metode, teknik-teknik, dan peralatan
ilmiah dalam menghadapi masalah-masalah yang timbul dalam operasi perusahaan
dengan tujuan menemukan pemecahan yang optimal. Kemudian Miller dan M.K.
Star menyatakan bahwa riset operasi adalah peralatan manajemen yang
menyatukan ilmu pengetahuan, matematika, dan logika dalam rangka memecahkan
masalah yang dihadapi sehari-hari sehingga dapat terpecahkan secara optimal.

Linier Programing (LP) merupakan suatu model umum yang dapat digunakan
dalam pemecahan masalah pengalokasian sumber-sumber yang terbatas secara
optimal. Sumber-sumber yang dimaksud dapat berupa bahan baku, peralatan dan
mesin, ruang, waktu, dana dan orang. Semua ini dapat dipergunakan untuk
menghasilkan komoditi tertentu. Linier Programing dengan kata lain adalah
metode atau teknik matematis yang digunakan untuk membantu manajer dalam
pengambilan keputusan. Menurut George B. Dantzing (Seorang ahli matematik dari
Amerika serikat), dalam bukunya yang berjudul Linier Programming and
Extension, menyebutkan bahwa ide Linier Programming ini berasal dari ahli
matematik Rusia yang bernama L.V Kantorivich yang pada tahun 1939
menerbitkan sebuah karangan dengan judul “Mathematical Methods in the
Organization and Planing of Production”. Dirumuskan dalam karangan itu
mengenai persoalan linier programming untuk pertama kalinya. Akan tetapi ide ini
tidak dapat berkembang di Rusia. Ternyata dunia barat yang memanfaatkan ide ini
selanjutnya. Kemudian pada tahun 1947 B. Dantzing menemukan suatu cara untuk
memecahkan persoalan linier programming tersebut dengan metode yang disebut
Simplex Method. Setelah itu linier programming berkembang pesat dalam bidang
kemiliteran dan bisnis (maksimum, profit, minimum cost).

3
Universitas Widyatama Praktikum Model Optimasi

Persoalan linier programming adalah suatu persoalan untuk menentukan besarnya


masing-masing nilai variabel sedemikian rupa sehingga nilai fungsi tujuan
(objective function) yang linier menjadi optimum (maximum atau minimum) dengan
memperhatikan pembatasan-pembatasan yang ada yaitu pembatasan mengenai
inputnya. Suatu persoalan dapat disebut sebagai linier programming apabila:

a. Tujuan (objective) yang akan dicapai harus dapat dinyatakan dalam bentuk
fungsi linier. Fungsi ini disebut fungsi tujuan (objective fungsion).
b. Harus ada alternative pemecahan. Pemecahan yang membuat fungsi tujuan
optimum (laba yang maximum, biaya yang minimum) yang harus dipilih.
c. Sumber-sumber tersedia dalam jumlah yang terbatas (bahan mentah terbatas,
modal terbatas, ruang penyimpangan terbatas). Pembatasan-pembatasan tersebut
harus dinyatakan dalam ketidak samaan linier (linier inequality).

1) Karakteristik Pemrograman Linier


Sifat linearitas suatu kasus dapat ditentukan dengan menggunakan beberapa cara.
Secara statistik, kita dapat memeriksa kelinearan menggunakan grafik ataupun
menggunakan uji hipotesa. Secara teknis, linearitas ditunjukkan oleh adanya sifat
proporsionalitas, additivitas, divisibilitas dan kepastian fungsi tujuan dan
pembatas. Sifat proporsional dipenuhi jika kontribusi setiap variabel pada fungsi
tujuan atau penggunaan sumber daya yang membatasi proporsional terhadap level
nilai variabel. Harga per unit produk misalnya adalah sama berapapun jumlah yang
dibeli, maka sifat proporsional dipenuhi atau dengan kata lain, jika pembelian
dalam jumlah besar mendapatkan diskon, maka sifat proporsional tidak dipenuhi.
Penggunaan sumber daya per unitnya tergantung dari jumlah yang diproduksi,
maka sifat proporsionalitas tidak dipenuhi.

Sifat additivitas mengasumsikan bahwa tidak ada bentuk perkalian silang diantara
berbagai aktivitas, sehingga tidak akan ditemukan bentuk perkalian silang pada
model. Sifat additivitas berlaku baik bagi fungsi tujuan maupun pembatas
(kendala). Sifat additivitas dipenuhi jika fungsi tujuan merupakan penambahan
langsung kontribusi masing-masing variabel keputusan. Fungsi kendala, sifat
additivitas dipenuhi jika nilai kanan merupakan total penggunaaan masing-masing
variabel keputusan. Dua variabel keputusan jika misalnya merepresentasikan dua

4
Universitas Widyatama Praktikum Model Optimasi

produk substitusi, dimana peningkatan volume penjualan salah satu produk akan
mengurangi volume penjualan produk lainnya dalam pasar yang sama, maka sifat
additivitas tidak terpenuhi.

Sifat divisibilitas berarti unit aktivitas dapat dibagi ke dalam sembarang level
fraksional, sehingga nilai variabel keputusan non integer dimungkinkan. Sifat
kepastian menunjukkan bahwa semua parameter model berupa konstanta. Artinya
koefisien fungsi tujuan maupun fungsi pembatas merupakan suatu nilai pasti, bukan
merupakan nilai dengan peluang tertentu. Keempat asumsi (sifat) ini dalam dunia
nyata tidak selalu dapat dipenuhi, dalam pemrograman linier diperlukan analisis
sensitivitas terhadap solusi optimal yang diperoleh.

2) Formulasi Permasalahan
Urutan pertama dalam penyelesaian adalah mempelajari sistem relevan dan
mengembangkan pernyataan permasalahan yang dipertimbangakan dengan jelas.
Penggambaran sistem dalam pernyataan ini termasuk pernyataan tujuan, sumber
daya yang membatasi, alternatif keputusan yang mungkin (kegiatan atau aktivitas),
batasan waktu pengambilan keputusan, hubungan antara bagian yang dipelajari dan
bagian lain dalam perusahaan, dan lain-lain.

Penetapan tujuan yang tepat merupakan aspek yang sangat penting dalam formulasi
masalah. Membentuk tujuan optimalisasi diperlukan identifikasi anggota
manajemen yang benar-benar akan melakukan pengambilan keputusan dan
mendiskusikan pemikiran mereka tentang tujuan yang ingin dicapai.

3) Pembentukan Model Matematik


Tahap berikutnya yang harus dilakukan setelah memahami permasalahan optimasi
adalah membuat model yang sesuai untuk analisis. Pendekatan konvensional riset
operasional untuk pemodelan adalah membangun model matematik yang
menggambarkan inti permasalahan. Kasus dari bentuk cerita diterjemahkan ke
model matematik. Model matematik merupakan representasi kuantitatif tujuan dan
sumber daya yang membatasi sebagai fungsi variabel keputusan.

Model matematika permasalahan optimal terdiri dari dua bagian. Bagian pertama
memodelkan tujuan optimasi. Model matematik tujuan selalu menggunakan bentuk

5
Universitas Widyatama Praktikum Model Optimasi

persamaan. Bentuk persamaan digunakan karena kita ingin mendapatkan solusi


optimum pada satu titik. Fungsi tujuan yang akan dioptimalkan hanya satu. Bukan
berarti bahwa permasalahan optimasi hanya dihadapkan pada satu tujuan. Tujuan
dari suatu usaha bisa lebih dari satu. Tetapi pada bagian ini kita hanya akan tertarik
dengan permasalahan optimal dengan satu tujuan.

Bagian kedua merupakan model matematik yang merepresentasikan sumber daya


yang membatasi. Fungsi pembatas bisa berbentuk persamaan (=) atau
pertidaksamaan (< atau >). Fungsi pembatas disebut juga sebagai konstrain.
Konstanta (baik sebagai koefisien maupun nilai kanan) dalam fungsi pembatas
maupun pada tujuan dikatakan sebagai parameter model. Model matematika
mempunyai beberapa keuntungan dibandingakan pendeskripsian permasalahan
secara verbal. Salah satu keuntungan yang paling jelas adala model matematik
menggambarkan permasalahan secara lebih ringkas. Hal ini cenderung membuat
struktur keseluruhan permasalahan lebih mudah dipahami, dan membantu
mengungkapkan relasi sebab akibat penting. Model matematik juga memfasilitasi
yang berhubungan dengan permasalahan dan keseluruhannya dan
mempertimbangkan semua keterhubungannya secara simultan. Terakhir, model
matematik membentuk jembatan ke penggunaan teknik matematik dan komputer
kemampuan tinggi untuk menganalisis permasalahan.

Model matematik di sisi lain mempunyai kelemahan, tidak semua karakteristik


sistem dapat dengan mudah dimodelkan menggunakan fungsi matematik.
Meskipun dapat dimodelkan dengan fungsi matematik, kadang-kadang
penyelesaiannya sulit diperoleh karena kompleksitas fungsi dan teknik yang
dibutuhkan.
Bentuk umum pemrograman linier adalah sebagai berikut :
Fungsi tujuan : Maksimumkan atau minimumkan z = c1x1 + c2x2 + ... + cnxn
Sumber daya yang membatasi :
a11x1 + a12x2 + ... + a1nxn = /≤ / ≥ b1
a21x1 + a22x2 + … + a2nxn = /≤ / ≥ b2
am1x1 + am2x2 + … + amnxn = /≤ / ≥ bm
x1, x2, …, xn ≥ 0

6
Universitas Widyatama Praktikum Model Optimasi

Simbol x1, x2, ..., xn (xi) menunjukkan variabel keputusan. Jumlah variabel
keputusan (xi) oleh karenanya tergantung dari jumlah kegiatan atau aktivitas yang
dilakukan untuk mencapai tujuan. Simbol c1,c2,...,cn merupakan kontribusi
masing-masing variabel keputusan terhadap tujuan, disebut juga koefisien fungsi
tujuan pada model matematiknya. Simbol a11, ...,a1n,...,amn merupakan penggunaan
per unit variabel keputusan akan sumber daya yang membatasi, atau disebut juga
sebagai koefisien fungsi kendala pada model matematiknya. Simbol
b1,b2,...,bm menunjukkan jumlah masing-masing sumber daya yang ada. Jumlah
fungsi kendala akan tergantung dari banyaknya sumber daya yang terbatas.

Pertidaksamaan terakhir (x1, x2, …, xn ≥ 0) menunjukkan batasan non negatif.


Membuat model matematik dari suatu permasalahan bukan hanya menuntut
kemampuan matematik tapi juga menuntut seni permodelan. Menggunakan seni
akan membuat permodelan lebih mudah dan menarik. Kasus pemrograman linier
sangat beragam. Setiap kasus, hal yang penting adalah memahami setiap kasus dan
memahami konsep permodelannya. Meskipun fungsi tujuan misalnya hanya
mempunyai kemungkinan bentuk maksimisasi atau minimisasi, keputusan untuk
memilih salah satunya bukan pekerjaan mudah. Tujuan pada suatu kasus bisa
menjadi batasan pada kasus yang lain. Harus hati-hati dalam menentukan tujuan,
koefisien fungsi tujuan, batasan dan koefisien pada fungsi pembatas.

2.1.1 PEMROGRAMAN LINIER METODE GRAFIS

Metode grafik hanya bisa digunakan untuk menyelesaikan permasalahan dimana


hanya terdapat dua variabel keputusan. Untuk menyelesaikan permasalahan
tersebut. Metode grafik adalah satu cara yang dapat digunakan untuk memecahkan
masalah optimalisasi dalam programasi linier. Keterbatasan metode ini adalah
variabel yang bisa digunakan terbatas (hanya dua), penggunaan 3 variabel akan
sangat sulit dilakukan.

Dua macam fungsi Program Linear:

Fungsi tujuan: mengarahkan analisa untuk mendeteksi tujuan perumusan masalah


Fungsi kendala: untuk mengetahui sumber daya yang tersedia dan permintaan atas
sumber daya tersebut

7
Universitas Widyatama Praktikum Model Optimasi

Langkah – langkah penyelesaian dengan metode grafik:


1. Buatlah model matematika / kendala
2. Tentukan fungsi sasaran (Z)
3. Menyelesaikan fungsi pertidaksamaan:
a) Jadikan setiap kendala menjadi bentuk persamaan
b) Buat grafik untuk setiap kendala dan kemudian tentukan daerah penyelesaian
atau HP
c) Setelah grafik dibuat, kemudian tentukan himpunan penyelesaian (HP). Setelah
itu, kita menentukan titik – titik terluar yang terdapat didalam grafik tersebut.
d) Setelah titik – titik terluar ditentukan, uji titik – titik terluarnya untuk
menentukan nilai maksimumnya.

2.1.2 PEMROGRAMAN LINIER METODE SIMPLEKS


Metode simpleks merupakan salah satu teknik penyelesaian dalam program linier
yang digunakan sebagai teknik pengambilan keputusan dalam permasalahan yang
berhubungan dengan pengalokasian sumberdaya secara optimal. Metode simpleks
digunakan untuk mencari nilai optimal dari program linier yang melibatkan banyak
constrain (pembatas) dan banyak variabel (lebih dari dua variabel). Penemuan
metode ini merupakan lompatan besar dalam riset operasi dan digunakan sebagai
prosedur penyelesaian dari setiap program komputer.

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).

Beberapa istilah yang sangat sering digunakan dalam metode simpleks, diantaranya
yaitu:
1. Iterasi adalah tahapan perhitungan dimana nilai dalam perhitungan itu
tergantung dari nilai tabel sebelumnya.

8
Universitas Widyatama Praktikum Model Optimasi

2. Variabel non basis adalah variabel yang nilainya diatur menjadi nol pada
sembarang iterasi. 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. Nilai kanan atau solusi sama pada solusi awal 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 dari model matematik
kendala untuk mengkonversikan pertidaksamaan ≥ menjadi persamaan (=).
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 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.

9
Universitas Widyatama Praktikum Model Optimasi

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.

2.1.3 METODE BIG M

Metode Big M digunakan untuk menyelesaikan fungsi-fungsi dalam program linier


yang tidak berada dalam bentuk baku atau standar (bentuk standar adalah
memaksimalkan Z sesuai dengan kendala fungsional dalam bentuk ≤ dan kendala
nonegativitas di semua variabel) dan salah satu contoh masalah dalam kendala
funsional adalah bila fungsi dalam bentuk-bentuk = atau ≥ atau bahkan ruas kanan
yang negatif.

Masalah ini akan muncul bila kita akan mencari basis fesibel awal sehingga
sebelum mencari variabel apa yang akan menjadi variabel nonbasis bahkan basis
perlu dilakukan suatu teknik pendekatan khusus untuk mengubah fungsi tersebut
ke bentuk baku atau standar. Teknik pendekatan khusus tersebut dengan cara
menambahkan variabel dummy (variabel artifisial) pada kendala fungsional dan
teknik ini disebut dengan teknik variabel artifisial.

Adapun prosedur mendapatkan BF awal pada kendala fungsional adalah


a. Gunakan teknik variabel artifisial
Tambahkan variabel artifisal nonegatif pada fungsi kendala yang belum baku, dan
anggaplah variabel artifial tersebut sebagai salah satu variabel slack
b. Tugaskan pinalty yang besar
Berilah nilai variabel artifisial dengan nilai > 0 sehingga koefisien variabel artifisial
menjadi M (big m) secara simbolik yang menunjukkan bahwa variabel artifisial
tersebut memiliki angka positif raksasa (dan pengubahan atas variabel artifisial
bernilai 0 (variabel nonbasis) dalam solusi optimal disebut metode big m).

10
Universitas Widyatama Praktikum Model Optimasi

2.2. TRANSPORTATION

Masalah transportasi berhubungan dengan distribusi suatu produk tunggal dari


beberapa sumber, dengan penawaran terbatas, menuju beberapa tujuan, dengan
permintaan tertentu, pada biaya transport minimum. Karena hanya ada satu macam
barang, suatu tempat tujuan dapat memenuhi permintaanya dari satu atau lebih
sumber. Asumsi dasar model ini adalah bahwa biaya transport pada suatu rute
tertentu proporsional dengan banyaknya unit yang dikirimkan. Unit yang
dikirimkan sangat tergantung pada jenis produk yang diangkut. Yang penting,
satuan penawaran dan permintaan akan barang yang diangkut harus konsisten.

Persoalan transportasi merupakan persoalan linear programming. Bahkan aplikasi


dari teknik linear programming pertama kali ialah dalam merumuskan persoalan
transportasi dan memecahkannya. Persoalan transportasi yang dasar pada mulannya
dikembangkan oleh F.L Hitch – cock pada tahun 1941 dalam studinya. Ini
merupakan ciri dari persoalan transportasi yaitu mengangkut jenis produk tertentu
katakan beras, minyak, daging, telur,tekstil, pupuk dan jenis produk linnya dari
beberapa daerah asal ke beberapa daerah tujuan (pasar, tempat proyek, tempat
pemukiman, daerah transmigrasi), pengaturan harus dilakukan sedemikian rupa
agar jumlah biaya transportasi minimum. Misalnya suatu jenis barang diangkut dari
ke beberapa daerah tujuan. Misalnya ada m daerah asal: A1, A2......,Am dan n daerah
tujuan: T1,T2,.......,Tj......,Tn. Didaerah asal Ai, tersedia barang yang akan diangkut
(supply) sebanyak Si dan di tempat tujuan barang tersebut diminta sebanyak dj
(demand). Xij = jumlah barang yang diangkut (dalam satuan) dari Ai ke Tj. Dengan
demikian untuk mengangkut Xij unit diperlukan biaya cij xi. Jumlah permintaann
(total demand) = jumlah penawaran (total supply).

Transportasi merupakan metode yang digunakan untuk mengatur distribusi dari


sumber-sumber yang menyediakan produk yang sama, ke tempat-tempat yang
membutuhkan secara optimal. Metode transportasi digunakan untuk memecahkan
masalah bisnis, pembelanjaan modal, alokasi dana untuk investasi, analisis lokasi,
keseimbangan lini perakitan dan perencanaan serta scheduling produksi. Tujuannya
model transportasi suatu proses pengaturan distribusi barang dari tempat yang
memiliki atau menghasilkan barang tersebut dengan kapasitas tertentu ke tempat

11
Universitas Widyatama Praktikum Model Optimasi

yang membutuhkan barang tersebut dengan jumlah kebutuhan tertentu agar biaya
distribusi dapat ditekan seminimal mungkin. Berguna untuk memecahkan
permasalahan distribusi (alokasi). Memecahkan permasalahan bisnis lainnya,
seperti masalah-masalah yang meliputi pengiklanan, pembelanjaan modal (capital
financing) dan alokasi dana untuk investasi, analisis lokasi, keseimbangan lini
perakitan dan perencanaan scheduling produksi.

Metode transportasi berhubungan dengan distribusi suatu produk tunggal dari


beberapa sumber, dengan penawaran terbatas, menuju ke beberapa tujuan dengan
permintaan tertentu. Asumsi dasar model ini adalah biaya transport pada suatu rute
tertentu proporsional dengan banyaknya unit yang dikirimkan. Pada model
transportasi, yang harus diperhatikan adalah bahwa total kuantitas pada seluruh
baris harus sama dengan total kuantitas pada seluruh kolom, jika tidak, maka perlu
ditambahkan kuantitas dummy.

Metode Transportasi merupakan suatu metode yang digunakan untuk mengatur


distribusi dari sumber-sumber yang menyediakan produk yang sama ke tempat-
tempat yang membutuhkan secara optimal dengan biaya yang termurah. Alokasi
produk ini harus diatur sedemikian rupa karena terdapat perbedaan biaya-biaya
alokasi dari satu sumber atau beberapa sumber ke tempat tujuan yang berbeda.

Tabel awal dapat dibuat dengan dua metode, yaitu:

1. Metode North West Corner (NWC) yaitu dari pojok kiri atas ke pojok kanan
bawah Kelemahan: tidak memperhitungkan besarnya biaya sehingga kurang
efisien.
2. Metode biaya terkecil yaitu mencari dan memenuhi yang biayanya terkecil dulu.
Lebih efisien dibanding metode NWC.
Metode transportasi adalah suatu metode dalam Riset Operasi yang digunakan utuk
mengatur distribusi dari sumber-sumber yang menyediakan produk yg sama, ke
tempat-tempat yg membutuhkan secara optimal. Alokasi produk harus diatur
sedemikian rupa, karena terdapat perbedaan biaya-biaya alokasi dari sumber ke
tempat tujuan yg berbeda. Metode transportasi juga dapat digunakan untuk
memecahkan masalah dunia usaha (bisnis) lainnya seperti masalah

12
Universitas Widyatama Praktikum Model Optimasi

yang meliputi periklanan, pembelanjaan modal (capital financing) dan alokasi dana
untuk investasi, analisis lokasi, keseimbangan lini pe-rakitan dan perencanaan serta
scheduling produksi. Asumsi dasar model transportasi adalah biaya transportasi
pada suatu rute tertentu proporsional dengan banyaknya unit yg dikirim. Definisi
unit yg dikirim sangat tergantung pada jenis produk yg diangkut. Yang penting
satuan penawaran dan permintaan akan barang yang diangkut harus konsisten.

2.3. INTEGER & MIXED INTEGER PROGRAMMING


Linear Programming (LP) merupakan teknik riset operasional (operation research
technique) yang telah dipergunakan secara luas dalam berbagai jenis masalah
manajemen (Gaspersz, 2004). Pemrograman linier memakai suatu model matematis
untuk menggambarkan masalah yang dihadapi. Kata sifat ‘linier’ berarti bahwa
semua fungsi matematis dalam model ini harus merupakan fungsi – fungsi linier.
Kata ‘pemrograman’ di sini merupakan sinonim untuk kata ‘perencanaan’. Maka,
membuat pemrograman linier adalah membuat rencana kegiatan – kegiatan untuk
memperoleh hasil yang optimal, ialah suatu hasil yang mencapai tujuan yang
ditentukan dengan cara yang paling baik (sesuai model matematis) di antara semua
alternatif yang mungkin.

1. Komponen Model Integer Linear Programming


Integer linear programming memiliki tiga komponen utama, yaitu:
a. Fungsi Tujuan (Objective Function)
Fungsi tujuan adalah fungsi yang menggambarkan tujuan/sasaran dari dalam
permasalahan integer linear programming yang berkaitan dengan pengaturan
secara optimal sumber daya-sumber daya untuk mencapai hasil yang optimal.
b. Fungsi Pembatas (Constraint Function)
Fungsi pembatas merupakan bentuk penyajian secara matematis batasan-batasan
kapasitas yang tersedia yang akan dialokasikan secara optimal ke berbagai
kegiatan.
c. Variabel Keputusan (Decision Variables)
Variabel keputusan merupakan aspek dalam model yang dapat dikendalikan.
Nilai variabel keputusan merupakan alternatif yang mungkin dari fungsi linier.

13
Universitas Widyatama Praktikum Model Optimasi

2. Solusi Model Integer Linear Programming


Solusi model integer linear programming adalah jawaban akhir dari suatu
pemecahan masalah. Pada suatu model matematis, solusi dikatakan layak (feasible
solution) jika penyelesaiannya tidak melanggar batasan-batasan yang ada. Namun
jika penyelesaiannya tidak memungkinkan pada alternatif-alternatif yang layak
(feasible), maka solusi itu dikatakan tidak layak (no feasible solution). Integer
Linear Programming (ILP) dapat diselesaikan dengan banyak cara, antara lain
menggunakan grafik, metode eliminasi dan substitusi maupun menggunakan
perangkat lunak. Perangkat lunak yang digunakan untuk memperoleh solusi model
integer linear programming, antara lain Excel Solver, TORA, LINDO, AMPL dan
LINGO.

2.4. ASSIGNMENT
Assignment termasuk dalam model transportasi, yakni metode analisis mengenai
masalah pendistribusian sejumlah produk atau komoditas dari beberapa sumber
distribusi (supply) kepada beberapa daerah tujuan (demand) dengan berpegang
pada prinsip biaya distribusi minimal, ataupun juga untuk mencari pendapatan
maksimal dari strategi distribusi komoditi yang mempunyai keuntungan tertentu.
Salah satu metode yang digunakan untuk Assignment adalah Metode Hungarian.
Jumlah sumber-sumber yang ditugaskan pada Metode Hungarian harus sama persis
dengan jumlah tugas yang akan diselesaikan. Setiap sumber harus ditugaskan hanya
untuk satu tugas. Jadi masalah penugasan akan mencakup sejumlah n sumber yang
mempunyai n tugas, sehingga ada n! ( n faktorial ) kemungkinan.
Tujuan dari model Assignment ini adalah untuk mendapatkan total biaya minimum
dalam pembebanan pekerjaan kepada mesin-mesin yang tersedia. Secara matematis
dapat dinyatakan sebagai berikut :
Pembebanan m pekerjaan atau pekerja (i = 1, 2, 3 … , m) kepada n mesin (j = 1, 2,
3, … , n) dengan biaya sebesar cij.

14
BAB III
URAIAN PEMECAHAN MASALAH

3.1. FLOWCHART KEGIATAN PRAKTIKUM


Berikut ini merupakan flowchart kegiatan selama praktikum model optimasi
berlangsung, dapat dilihat pada Gambar 3.1 di bawah ini.

Studi Literatur

Pengumpulan Data

Linear Programming Linear Programming Linear Programming


Model Transportasi Model Penugasan
Metode Grafis Metode Simpleks Teori Big M
1. Kasus maksimasi pada 1. Kasus maksimasi pada 1. Kasus minimasi pada 1. Kasus model 1. Kasus minimasi pada
sebuah perusahaan sebuah perusahaan sebuah perusahaan transportasi yang harus penjadwalan penugasan
elektronik pembuat kapal pesiar yaitu argoindustri kedelai. dipecahkan pekerja pada suatu
2. Kasus maksimasi pada PT Raja Laut. menggunakan metode
2. Kasus minimasi pada perusahaan.
sebuah perusahaan sepatu. 2. Kasus maksimasi pada
sebuah model yang steping stone atau
sebuah perusahaan
makanan ringan yaitu PT dibuat sebuah cerita. MODI.
Makmur Jaya Abadi.
3. Kasus maksimasi pada
sebuah perusahaan
penyewaan periklanan.

Pengolahan Data

Linear Programming Linear Programming Linear Programming


Model Transportasi Model Penugasan
Metode Grafis Metode Simpleks Teori Big M
1. Mencari nilai 1. Mencari nilai 1. Menghitung biaya 1. Penyelesaian Metode 1. Penyelesaian
maksimasi dari kasus I, maksimasi dari kasus I, produksi minimal pada North West Corner. menggunakan Metode
dengan menggunakan dengan menggunakan perusahaan kasus I 2. Pengujian Metode Hungarian.
metode grafis. metode simpleks.. 2. Menghitung biaya Steping Stone. 2. Penyelesaian Reduksi
2. Mencari nilai 2. Mencari nilai produksi minimal pada 3. Model Matematika. Baris.
maksimasi dari kasus II, maksimasi dari kasus II, perusahaan kasus II. 4. Pembuktian Software 3. Penyelesaian Reduksi
dengan menggunakan dengan menggunakan LINGO Kolom.
metode grafis. metode simpleks. 4. Modifikasi Tabel.
3. Mencari nilai 5. Solusi Optimal.
maksimasi dari kasus 6. Penyelesaian
III, dengan menggunakan Software
menggunakan metode LINGO.
simpleks..

Analisis

Kesimpulan dan Saran

Gambar 3.1 Flowchart Kegiatan Praktikum

15
Universitas Widyatama Praktikum Model Optimasi

3.2. URAIAN FLOWCHART KEGIATAN PRAKTIKUM


3.2.1. Studi Literatur
Studi Literatur merupakan cara untuk menyelesaikan persoalan dengan menelusuri
sumber-sumber tulisan yang pernah dibuat sebelumnya. Sumber-sumber tulisan
yang praktikan dapatkan pada Pratikum Model Optimasi ini adalah berupa buku,
jurnal, artikel, laporan yang sudah pernah dibuat dan situs-situs internet. Persoalan
yang ada tentunya tidak jauh dari materi yang ada pada praktikum model optimasi
ini yaitu Pemrogaman Linier (Metode Grafis), Pemrogaman Linier (Metode
Simpleks), Pemrogaman Linier (Metode Big M), Metode Transportasi, Metode
Penugasan.

3.2.2. Pengumpulan Data

3.2.2.1. Pemrograman Linier (Metode Grafis)


Data yang dikumpulkan pada modul 1 yang berjudul “Pemrograman Linier
(Metode Grafis)” ada dua. Pertama adalah kasus 1 yang langsung berupa soal cerita.
Kedua adalah kasus 2 berupa soal cerita. Kedua kasus tersebut diberikan oleh
instruktur.

3.2.2.2. Pemrograman Linier (Metode Simpleks)


Data yang dikumpulkan pada modul 2 yang berjudul “Pemrograman Linier
(Metode Simpleks)” ada tiga. Pertama adalah kasus 1 yang langsung berupa soal.
Kedua adalah kasus 2 berupa soal cerita. Ketiga adalah kasus 3 berupa soal cerita.

3.2.2.3. Pemrograman Linier (Metode Big M)


Data yang dikumpulkan pada modul 3 yang berjudul “Pemrograman Linier
(Metode Big M)” ada dua. Pertama adalah kasus 1 yang langsung berupa soal cerita.
Kedua adalah kasus 2 berupa soal.

3.2.2.4. Metode Transportasi


Modul 4 ini praktikan mendapatkan contoh kasus dari isntruktur praktikum.
Praktikan mencari nilai minimum. Penyelesaian pada Modul 4 ini harus
diselesaikan dengan 2 metode yaitu Northwest Corner atau Stepping Stone.

16
Universitas Widyatama Praktikum Model Optimasi

3.2.2.5. Metode Penugasan


Modul 5 praktikan mengumpulkan data berupa pekerja sebanyak 7 orang dan 5
pekerjaan yang tersedia. Penyelesaian menggunakan metode Hungarian. Data yang
dikumpulkan ditambah NPM praktikan masing-masing.

3.2.3. Pengolahan Data

3.2.3.1. Pemrograman Linier (Metode Grafis)


Pengolahan data pada modul 1 Pemrograman Linier (Metode Grafis) ini adalah
yang pertama mencari titik koordinat baik untuk kasus 1 maupun kasus 2.
Selanjutnya mencari titik potong, berlaku untuk kedua kasus juga. Setelah titik
koordinat dan titik potong diketahui maka, dapat dibuat grafik. Terakhir adalah
menghitung nilai yang paling minimum untuk kasus 1 dan nilai yang paling
maksimum untuk kasus 2. Kasus 2 diminta untuk menghitung keuntungan selama
seminggu maka perlu diolah lagi dengan mencari keuntungan selama seminggu.

3.2.3.2. Pemrograman Linier (Metode Simpleks)


Pengolahan data pada modul 2 ini merupakan membuat bentuk dasar dalam tabel
simpleks. Selanjutnya mencari entering variable dan leaving variable untuk setiap
iterasinya. Setelah terisi entering variable dan leaving variable lakukan pengolahan
untuk mengisi semua sel yang masih kosong hingga iterasi terakhir. Kasus 2 harus
diolah lagi untuk mencari keuntungan maksimum selama seminggu.

3.2.3.3. Pemrograman Linier (Metode Big M)


Pengolahan data pada modul 3 ini merupakan membuat bentuk dasar dalam tabel
awal kemudian memberi artificial variable. Selanjutnya mencari entering variable
dan leaving variable untuk setiap iterasinya. Setelah terisi entering variable dan
leaving variable lakukan pengolahan untuk mengisi semua sel yang masih kosong
hingga iterasi terakhir. Kasus 2 harus diolah lagi untuk mencari keuntungan
minimum selama seminggu.

3.2.4. Analisis
Analisis dibuat sebagai upaya dan proses untuk menjelaskan sebuah permasalahan.
Analisis juga akan menjelaskan berbagai hal yang ada di dalam laporan ini. Analisis
yang praktikan buat pada laporan ini diharapkan dapat menguraikan permasalahan

17
Universitas Widyatama Praktikum Model Optimasi

dari modul 1 Pemrograman Linier (Metode Grafis), modul 2 Pemrogaman Linier


(Metode Simpleks), modul 3 Pemrogaman Linier (Metode Big M), modul 4 Metode
Transportasi hingga modul 5 Metode Penugasan.

3.2.5. Kesimpulan dan Saran


Kesimpulan dibuat untuk menyimpulkan secara garis besar apa saja yang sudah
dilakukan praktikan pada kegiatan Praktikum Model Optimasi ini. Praktikan
membuat kesimpulan berdasarkan tujuan dari 3 modul yang sudah dipelajari.
Diberikannya saran oleh praktikan agar tidak terjadi pengulangan kesalahan pada
praktikum mendatang. Praktikan mengharapkan saran yang ada dapat dijadikan
pelajaran bagi praktikan yang akan menjalani praktikum.

18
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

4.1 LINEAR PROGRAMMING (METODE GRAFIS)

4.1.1 Pengumpulan Data


Pengumpulan data yang didapat praktikan berasal dari studi kasus yang telah
diberikan oleh Instruktur Praktikum Model Optimasi berupa kasus Linier
Programming, berikut merupakan 2 studi kasus yang telah diberikan kepada
praktikan:

4.1.1.1 Kasus 1
Sebuah perusahaan elektronik membuat dua model radio, masing-masing disebuah
lini produksi yang terpisah. Kapasitas harian dari lini pertama adalah 60 radio dan
lini kedua adalah 75 radio. Setiap unit model pertama menggunakan 10 butir
komponen elektronik tertentu, sementara setiap unit model kedua memerlukan 8
butir komponen yang sama. Ketersediaan harian maksimum untuk komponen
khusus itu adalah 800 butir. Laba per unit model 1 dan 2 adalah $98 dan 88$ secara
berurutan. Tentukan produksi harian optimum untuk setiap model.

4.1.1.2 Kasus 2
Sebuah perusahaan sepatu merencanakan untuk memproduksi dua jenis produk,
yaitu produk ABC dan XYZ masing-masing adalah 2 meter dan 3 meter.
Ketersediaan yang ada. Ketersediaan bahhan per hari adalah 24 meter. Kuantitas
bahan yang digunakan untuk memproduksi kedua produk tidak boleh melebihi
ketersediaan yang ada. Pihak manajemen menetapkan bahwa batasan perbedaan
antara kualitas produk XYZ dengan produk ABC tidak boleh melebihi 1 satuan,
selanjutnya terdapat pembatas bahwa kuantitas penjualan produk XYZ tidak lebih
dari 6 satuan. Keuntungan persatuan untuk produk ABC dan XYZ masing-masing
adalah Rp. 30.068 dan Rp. 50.068. manajemen perusahaan ingin menentukan
kuantitas produk A dan B yang harus diproduksi selama satu minggu kedepan agar
diperoleh keuntungan total per minggu yang maksimum. Terdapat asumsi bahwa
kuantitas produk yang dijual sama dengan kuantitas yang diproduksi.

19
Universitas Widyatama Praktikum Model Optimasi

4.1.2 Pengolahan Data


4.1.2.1 Kasus 1
Tabel 4.1 Studi Kasus I
Kapasitas Z
𝑥1 10 60 98
𝑥2 8 75 88
800
(Sumber: Pengolahan Data)
Maksimasi 𝑧 = 98 𝑥1 + 88 𝑥2
Dengan pembatas-pembatas:
10𝑥1 + 8𝑥2 ≤ 800
𝑥1 ≤ 60 (60,0) ; 𝑥2 ≤ 75 (0,75) ; 𝑥1 , 𝑥2 ≥ 0
Mencari titik koordinat: Mencari titik potong:
10𝑥1 + 8𝑥2 ≤ 800 10𝑥1 + 8𝑥2 ≤ 800
𝑥1 = 0, 𝑥2 = 100 (0,100) 𝑥1 = 60, 𝑥2 = 25 (60,25)
𝑥2 = 0, 𝑥1 = 80 (80,0) 𝑥2 = 75, 𝑥1 = 20 (75,20)

Gambar 4.1 Grafik Kasus 1


(Sumber: Pengolahan Data)
Tabel 4.2 Perhitungan Keuntungan Produk
No. x y z = 98x1 + 88x2
1 0 75 z = 98(0) +88(75) = 6.600
2 20 75 z = 98(20) +88(75) = 8.560
3 60 25 z = 98(60) +88(25) = 8.080
4 60 0 z = 98(60) +88(0) = 5.880
(Sumber: Pengolahan Data)

Jadi, keuntungan maksimum dari radio lini pertama dan radio lini kedua dalam satu
hari sebesar $8.560 dengan memproduksi 20 unit radio lini pertama dan 75 unit
radio lini kedua.

20
Universitas Widyatama Praktikum Model Optimasi

4.1.2.2 Kasus 2
Misalkan ABC = X1, XYZ = X2
Tabel 4.3 Studi Kasus 2
Kapasitas Z
𝑥1 2 -1 0 30.068
𝑥2 3 1 1 50.068
24 1 6
(Sumber: Pengolahan Data)
Maksimasi 𝑧 = 30.068 𝑥1 + 50.068 𝑥2
Dengan pembatas-pembatas:
2𝑥1 + 3𝑥2 ≤ 24 ; 𝑥2 − 𝑥1 ≤ 1 ; 𝑥2 ≤ 6 ; 𝑥1,2 ≥ 0
Mencari titik koordinat
1. 2𝑥1 + 3𝑥2 = 24 2. 𝑥2 − 𝑥1 = 1
𝑥1 = 0, 𝑥2 = 8 (0,8) 𝑥1 = 0, 𝑥2 = 1 (0,1)
𝑥2 = 0, 𝑥1 = 12 (12,0) 𝑥2 = 0, 𝑥1 = −1 (−1,0)
Mencari Titik Potong
𝑥2 − 𝑥1 = 1 ×2 𝑥2 − 𝑥1 = 1
2𝑥1 + 3𝑥2 = 24 × 1 5,2 − 𝑥1 = 1
2𝑥2 − 2𝑥1 = 2 − 𝑥1 = 1 – 5,2
2𝑥1 + 3𝑥2 = 24 + 𝑥1 = 4,2
5𝑥2 = 26
26 Titik Potong = (4,2 ∶ 5,2)
𝑥2 = = 5,2
5

Gambar 4.2 Grafik Kasus 2


(Sumber: Pengolahan Data)

21
Universitas Widyatama Praktikum Model Optimasi

Tabel 4.4 Perhitungan Keuntungan Produk


No. x y z = 30.068x1 + 50.068x2
1 0 0 z = 30.068(0) + 50.068(0) =0
2 0 1 z = 30.068(0) + 50.068(1) = 50.068
3 12 0 z = 30.068(12) + 50.068(0) = 360.816
4 4 5 z = 30.068(4) + 50.068(5) = 367.612
(Sumber: Pengolahan Data)

Keuntungan maksimum dari produk ABC dan XYZ dalam satu hari sebesar
Rp.367.612,- dengan memproduksi 4 unit produk ABC dan 5 unit produk XYZ.
Keuntungan maksimum yang diperoleh dalam 1 minggu produksi sebesar
Rp.367.612,- X 5 hari kerja = Rp.1.853.060,-.

4.2 LINEAR PROGRAMMING (METODE SIMPLEKS)


4.2.1 Pengumpulan Data
4.2.1.1 Kasus 1
PT Raja laut adalah pembuat kapal layar pesiar. Perusahaan tersebut memproduksi
tiga model kapal layar, yaitu A, B, dan C. Setiap kapal yang diproduksi melalui 3
tahapan, yaitu design, pekerjaan kayu, dan penyelesaian. Jumlah hari yang
diperlukan untuk masing-masing tahapan pekerjaan digambarkan sebagai berikut:
Tabel 4. 2 Tahapan Pekerjaan
Waktu Produksi (Orang/Hari)
Model Kapal
Design Pekerjaan Kayu Penyelesaian
A 3 5 4
B 5 12 5
C 10 18 8
(Sumber: Pengumpulan Data)
Berdasarkan pengalaman sebelumnya, pihak manajemen PT Raja Laut
mengharapkan kontribusi laba per kapal adalah $5.000; $10.000; dan $20.000
untuk masing-masing model kapal yang diproduksi. Saat ini PT Raja Laut
memperkerjakan 40 orang untuk menghasilkan kapal pesiar, yang dibagi dalam tiga
kelompok, yaitu 78 orang untuk bagian desain, 88 orang untuk pekerjaan kayu, dan
78 orang untuk penyelesaian. Secara rata rata setiap karyawan bekerja selama 240
hari per tahun. Satu-satunya kendala lain adalah batasan yang ditetapkan oleh
manajemen mengenai jumlah model C yang dapat dijual. Pihak manajemen PT Raja
Laut tidak ingin model C menjadi kapal jenis biasa, sehingga PT Raja Laut tidak
akan menerima pesanan untuk model tersebut lebih dari 20 unit. Berdasarkan

22
Universitas Widyatama Praktikum Model Optimasi

informasi tersebut, beberapa banyak pesanan untuk setiap model yang harus
diterima untuk memaksimalkan total kontribusi laba? Gunakan metode simpleks.

4.2.1.2 Kasus 2

PT Makmur Jaya Abadi adalah perusahaan yang memproduksi 3 jenis produk


makanan ringan, yang masing-masing diberi label MJA 1, MJA 2, dan MJA 3.
Bahan utamanya terdiri dari dua jenis dalam jumlah yang terbatas, dan harus
melalui dua tahap dalam proses produksinya, yaitu tahap waktu 50 jam dan 80 jam.
Sementara itu, jumlah bahan tepung beras dan pisang raja berjumlah masing-
masing 268 kg dan 228 kg

Tabel 4. 3 Data Bahan


Bahan
Produk
Tepung Beras Pisang Raja
MJA 1 5 2
MJA 2 4 5
MJA 3 4 2
(Sumber: Pengumpulan Data)
Tabel 4. 4 Data Proses Produksi
Proses Produksi
Produk
Penggorengan Pengeringan
MJA 1 1 2
MJA 2 1 4
MJA 3 2 2
(Sumber: Pengumpulan Data)
Jika keuntungan yang diperoleh untuk masing-masing produk adalah $4, $10, dan
$8. Pertanyaan:
a. Formulasikan persoalan tersebut.
b. Tentukan solusi optimalnya dengan menggunakan metode simpleks.

4.2.1.3 Kasus 3
Jaringan toko serba ada “The Family” menyewa perusahaan periklanan untuk
menentukan jenis dan jumlah iklan yang harus diperoleh untuk toko. 3 jenis iklan
yang tersedia adalah iklan komersial radio, iklan televisi, dan iklan surat kabar.
Jaringan toko ini mengetahui jumlah setiap iklan yang harus dibeli dalam rangka
memaksimalkan tujuannya.

23
Universitas Widyatama Praktikum Model Optimasi

Berikut ini perkiraan setiap iklan komersial yang akan mencapai pemirsa potensial
dan biaya tertentu:
Tabel 4. 5 Potensial dan Biaya
Jenis Iklan Komersial Tampilan Jumlah Biaya
Televisi 20.000 15.000
Radio 12.000 6.000
Surat Kabar 9.000 4.000
(Sumber: Pengumpulan Data)
a. Batasan anggaran untuk iklan $790.000
b. Stasiun televisi memiliki 4 menit komersial.
c. Stasiun radio mempunyai 10 waktu komersial.
d. Surat kabar mempunyai jatah yang tersedia untuk 7 iklan.
e. Perusahaan iklan hanya memiliki jatah 15 komersial dan iklan.
Selesaikan persoalan diatas dengan metode simpleks.

4.2.2 Pengolahan Data


4.1.1.1 Kasus 1
𝑧 𝑚𝑎𝑥 = 5.000 𝑥1 + 10.000 𝑥2 + 20.000𝑥3
𝑧 − 5.000 𝑥1 − 10.000 𝑥2 − 20.000𝑥3 + 0𝑆1 + 0𝑆2 + 0𝑆3 + 0𝑆4 = 0
3 𝑥1 + 5 𝑥2 + 10𝑥3 + 𝑆1 = 78
5 𝑥1 + 12 𝑥2 + 18𝑥3 + 0𝑆2 = 88
4 𝑥1 + 5 𝑥2 + 8𝑥3 + 0𝑆3 = 78
𝑥3 + 0𝑆4 = 20
Tabel 4. 6 Tabel Awal Kasus 1
Basis Z X1 X2 X3 S1 S2 S3 S4 RHS Rasio
Z 1 -5000 -10000 -20000 0 0 0 0 0
S1 0 3 5 10 1 0 0 0 78 7,8
S2 0 5 12 18 0 1 0 0 88 4,89
S3 0 4 5 8 0 0 1 0 78 9,75
S4 0 0 0 1 0 0 0 1 20 20
(Sumber: Pengolahan Data)
Tabel 4. 7 Iterasi Kasus 1
Basis Z X1 X2 X3 S1 S2 S3 S4 RHS Rasio
Z 1 5000/9 10000/3 0 0 10000/9 0 0 880000/9
S1 0 2/9 - 5/3 0 1 - 5/9 0 0 262/9
X3 0 5/18 2/3 1 0 1/18 0 0 44/9
S3 0 16/9 - 1/3 0 0 - 4/9 1 0 350/9
S4 0 - 5/18 - 2/3 0 0 - 1/18 0 1 136/9
(Sumber: Pengolahan Data)
44 880000
𝑥3 = 𝑍=
9 9

24
Universitas Widyatama Praktikum Model Optimasi

4.1.1.2 Kasus 2
𝑧 𝑚𝑎𝑥 = 4 𝑥1 + 10 𝑥2 + 8𝑥3
𝑧 − 4 𝑥1 − 10 𝑥2 − 8𝑥3 + 0𝑆1 + 0𝑆2 + 0𝑆3 + 0𝑆4 = 0
5 𝑥1 + 4 𝑥2 + 4 𝑥3 + 𝑆1 = 268
2 𝑥1 + 5 𝑥2 + 2𝑥3 + 0𝑆2 = 228
𝑥1 + 𝑥2 + 2 𝑥3 + 0𝑆3 = 50
2𝑥1 + 4 𝑥2 + 2 𝑥3 + 0𝑆4 = 80
Tabel 4. 8 Tabel Awal Kasus 2
Basis Z X1 X2 X3 S1 S2 S3 S4 RHS Rasio
Z 1 -4 -10 -8 0 0 0 0 0
S1 0 5 4 4 1 0 0 0 268 67
S2 0 2 5 2 0 1 0 0 228 45,6
S3 0 1 1 2 0 0 1 0 50 50
S4 0 2 4 2 0 0 0 1 80 20
(Sumber: Pengolahan Data)
Tabel 4. 9 Iterasi 1 Kasus 2
Basis Z X1 X2 X3 S1 S2 S3 S4 RHS Rasio
Z 1 1 0 -3 0 0 0 2,5 200
S1 0 3 0 2 1 0 0 -1 188 94
S2 0 -0,5 0 -0,5 0 1 0 -1,25 128 -256
S3 0 0,5 0 1,5 0 0 1 -0,25 30 20
X2 0 0,5 1 0,5 0 0 0 0,25 20 40
(Sumber: Pengolahan Data)
Tabel 4. 10 Iterasi 2 Kasus 2
Basis Z X1 X2 X3 S1 S2 S3 S4 RHS Rasio
Z 1 2 0 0 0 0 2 2 260
S1 0 7/3 0 0 1 0 - 4/3 - 2/3 148
S2 0 - 1/3 0 0 0 1 1/3 - 4/3 138
X3 0 1/3 0 1 0 0 2/3 - 1/6 20
X2 0 1/3 1 0 0 0 - 1/3 1/3 10
(Sumber: Pengolahan Data)
𝑥2 = 10 𝑥3 = 20 𝑍 = 260

4.1.1.3 Kasus 3
𝑧 𝑚𝑎𝑥 = 20.000 𝑥1 + 12.000𝑥2 + 9000𝑥3
𝑧 − 20.000 𝑥1 − 12.000 𝑥2 − 9000𝑥3 + 0𝑆1 + 0𝑆2 + 0𝑆3 + 0𝑆4 + 0𝑆5 = 0
15.000 𝑥1 + 6.000 𝑥2 + 4.000 𝑥3 + 𝑆1 = 790.000
𝑥1 + 0𝑆2 =4
𝑥2 + 0𝑆3 = 10
𝑥3 + 0𝑆4 =7
𝑥1 + 𝑥2 + 𝑥3 + 𝑆5 = 15

25
Universitas Widyatama Praktikum Model Optimasi

Tabel 4. 11 Tabel Awal Kasus 3


Basis Z X1 X2 X3 S1 S2 S3 S4 S5 RHS Rasio
Z 1 -20000 -12000 -9000 0 0 0 0 0 0
S1 0 15000 6000 4000 1 0 0 0 0 790000 52,67
S2 0 1 0 0 0 1 0 0 0 4 4
S3 0 0 1 0 0 0 1 0 0 10
S4 0 0 0 1 0 0 0 1 0 7
S5 0 1 1 1 0 0 0 0 1 15 15
(Sumber: Pengolahan Data)
Tabel 4. 12 Iterasi 1 Kasus 3
Basis Z X1 X2 X3 S1 S2 S3 S4 S4 RHS Rasio
Z 1 0 -12000 -9000 0 20000 0 0 0 80000
S1 0 0 6000 4000 1 -15000 0 0 0 730000 121,7
X1 0 1 0 0 0 1 0 0 0 4
S3 0 0 1 0 0 0 1 0 0 10 10
S4 0 0 0 1 0 0 0 1 0 7
S5 0 0 1 1 0 -1 0 0 1 11 11
(Sumber: Pengolahan Data)
Tabel 4. 13 Iterasi 2 Kasus 3
Basis Z X1 X2 X3 S1 S2 S3 S4 S4 RHS Rasio
Z 1 0 0 -9000 0 20000 12000 0 0 200000
S1 0 0 0 4000 1 -15000 -6000 0 0 670000 167,5
X1 0 1 0 0 0 1 0 0 0 4
X2 0 0 1 0 0 0 1 0 0 10
S4 0 0 0 1 0 0 0 1 0 7 7
S5 0 0 0 1 0 -1 -1 0 1 1 1
(Sumber: Pengolahan Data)
Tabel 4. 14 Iterasi 3 Kasus 3
Basis Z X1 X2 X3 S1 S2 S3 S4 S5 RHS Rasio
Z 1 0 0 0 0 11000 3000 0 9000 209000
S1 0 0 0 0 1 -11000 -2000 0 -4000 666000
X1 0 1 0 0 0 1 0 0 0 4
X2 0 0 1 0 0 0 1 0 0 10
S4 0 0 0 0 0 1 1 1 -1 6
X3 0 0 0 1 0 -1 -1 0 1 1
(Sumber: Pengolahan Data)
𝑥1 = 4 𝑥2 = 10 𝑥3 = 1 𝑍 = 209.000

4.3 LINEAR PROGRAMMING (METODE BIG M)


4.3.1 Pengumpulan Data
4.3.1.1 Soal 1
Sebuah perusahaan agroindustri kedelai hendak memproduksi 2 buah produk, yaitu
produk susu kedelai bubuk dan susu kedelai cair, yang masing-masing memerlukan
biaya produksi per unitnya sebesar Rp.12.000,00 dan Rp.24.000,00. Kedua produk
tersebut harus diproses melalui dua buah mesin, yaitu mesin penggiling kedelai
dengan kapasitas sebesar minimal 4 jam orang (man hours). Mesin pengolah susu
dengan kapasitas sebesar minimal 4 jam orang (man hours).

26
Universitas Widyatama Praktikum Model Optimasi

Setiap unit produk susu kedelai cair mula-mula diproses pada mesin penggiling
selama 1 jam orang, lalu pada mesin pengolah susu kedelai diproses pada mesin
pengolah susu kedelai selama 4 jam orang. Sedangkan setiap unit produk susu
kedelai bubuk diproses pada mesin penggiling dan mesin pengolah susu kedelai
masing-masing 3 jam orang.

Dihitunglah berapa lama kombinasi penggunaan mesin penggiling dan mesin


pengolah susu kedelai untuk memproduksi produk susu kedelai cair dan susu
kedelai bubuk yang optimal sehingga biaya produksi yang dikeluarkan perusahaan
menjadi minimal.
Tambahkan NPM (2digit x 100) +12000 dan NPM (2 digit x 100) +24000

4.3.1.2 Soal 2
Fungsi Tujuan
𝑀𝑖𝑛𝑖𝑚𝑢𝑚𝑘𝑎𝑛 𝑍 = 𝑥1 + 9𝑥2 + 𝑥3
Kendala:
𝑥1 + 2𝑥2 + 3𝑥3 ≥ 9
3𝑥1 + 2𝑥2 + 2𝑥3 = 15
2𝑥1 + 2𝑥2 + 3𝑥3 ≤ 12
𝑥1 , 𝑥2 , 𝑥3 ≥ 0
Buatlah cerita dari model diatas.
Tambahkan 𝑍 = (𝑑𝑢𝑎 𝑑𝑖𝑔𝑖𝑡 𝑁𝑃𝑀)𝑥1 + 9𝑥2 + (𝑑𝑢𝑎 𝑑𝑖𝑔𝑖𝑡 𝑁𝑃𝑀)𝑥3

4.3.2 Pengolahan Data


4.3.2.1 Kasus 1
𝑧 𝑚𝑖𝑛 = 18.800 𝑥1 + 30.800 𝑥2
𝑧 − 18.800 𝑥1 − 30.800 𝑥2 − 0𝑆1 − 0𝑆2 + 0𝑀𝑅1 + 0𝑀𝑅2 = 0
3𝑥1 + 𝑥2 + 10𝑥3 − 𝑆1 + 𝑅1 =4
3 𝑥1 + 4𝑥2 + 18𝑥3 − 𝑆2 + 𝑅2 =5
Tabel 4.15 Bentuk Standar Kasus 1 Metode Big M
Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
Z 1 -18800 -30800 0 0 -M -M 9M
R1 0 3 1 -1 0 1 0 4
R2 0 3 4 0 -1 0 1 5
(Sumber: Pengolahan Data)

27
Universitas Widyatama Praktikum Model Optimasi

Tabel 4.16 Tabel Awal Kasus 1 Metode Big M


Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
Z 1 -18800+6M -30800+5M -M -M 0 0 9M
R1 0 3 1 -1 0 1 0 4 1.33
R2 0 3 4 0 -1 0 1 5 1.67
(Sumber: Pengolahan Data)
Tabel 4.17 Iterasi 1 Kasus 1 Metode Big M
Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
-73600+ 3M- (18800- -M+
Z 1 0 -M 0
9M 18800 6M)/3 94000/3
X1 0 1 1/3 -1/3 0 1/3 0 4/3 4
R2 0 0 3 1 -1 -1 1 1 1/3
(Sumber: Pengolahan Data)
Tabel 4.18 Iterasi 2 Kasus 1 Metode Big M
Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
(73600 - (18M- (-73600+ (92400- 94000
Z 1 0 0
12M) /3 130000) /3 +9M)/3 15M) /3
X1 0 1 0 -4/9 1/9 4/9 -1/9 11/9
X2 0 0 1 1/3 -1/3 -1/3 1/3 1/3 1
(Sumber: Pengolahan Data)
Tabel 4.19 Iterasi 3 Kasus 1 Metode Big M
Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
(-73600 (56400) (18800- 94000
Z 1 0 0 -M
+12M) /3+10M 33M)/3 /3
X1 0 1 4/3 0 -1/3 0 1/3 5/3
S1 0 0 1/3 1 -1 -1 1 1
(Sumber: Pengolahan Data)
𝑥1 = 5/3 𝑍 = 94000/3

4.3.2.2 Kasus 2
Aldri Colletion memproduksi 3 jenis mainin yaitu Robot I, Robot II, Robot III.
Memproduksi Robot I dibutuhkan 1 unit sparepart A, 3 unit sparepart B, 2 unit
sparepart C. Robot II membutuhkan masing-masing 2 unit sparepart A dan
sparepart B serta 3 unit sparepart C. Persediaan sparepart A lebih dari 9 unit,
sparepart A hanya tersedia 15 unit, sparepart A tidak lebih dari 12 unit. Hitunglah
biaya produksi perusahaan minimal jika biaya produksi Robot I dan Robot III
sebesar 68 USD, Robot II sebesar 9 USD

𝑧 𝑚𝑖𝑛 = 68 𝑥1 + 9 𝑥2 + 68 𝑥3
𝑧 − 68 𝑥1 − 9 𝑥2 − 68 𝑥3 − 0𝑆1 + 0𝑆2 + 0𝑀𝑅1 + 0𝑀𝑅2 = 0

28
Universitas Widyatama Praktikum Model Optimasi

𝑥1 + 2 𝑥2 + 3𝑥3 − 𝑆1 + 𝑅1 =9
3 𝑥1 + 2 𝑥2 + 2𝑥3 + 𝑅2 = 15
2 𝑥1 + 2 𝑥2 + 3𝑥3 + 𝑆2 = 12
Tabel 4.20 Tabel Awal Kasus 2 Metode Big M
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
Z 1 -68 -9 -68 -M 0 0 0
R1 0 1 2 3 -1 0 1 0 9
R2 0 3 2 2 0 0 0 1 15
S2 0 2 2 3 0 1 0 0 12
(Sumber: Pengolahan Data)
Tabel 4.21 Tabel Awal Kasus 2 Metode Big M
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
-68+ -9+ -68+
Z 1 -M 0 0 0 24M -
4M 4M 5M
R1 0 1 2 3 -1 0 1 0 9 3
R2 0 3 2 2 0 0 0 1 15 7.5
S2 0 2 2 3 0 1 0 0 12 4
(Sumber: Pengolahan Data)
Tabel 4.22 Iterasi 1 Kasus 2 Metode Big M
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
(7M- (2M (2M- (9- (68- 9M
Z 1 0 0 -
136)/3 +136)/3 68)/3 4M)/3 5M)/3 +204
X3 0 1/3 2/3 1 -1/3 0 1/3 0 3 9
R2 0 7/3 2/3 0 2/3 0 -2/3 1 9 3.86
X1 0 1 0 0 1 1 -1 0 3 3
(Sumber: Pengolahan Data)
Tabel 4.23 Iterasi 2 Kasus 2 Metode Big M
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
(2M+ (13M- (-245- (2M-
Z 1 0 0 0 2M+340 -
136)/3 340)/3 26M)/3 68)/3
X3 0 0 2/3 1 -2/3 -1/3 2/3 0 2 3
R2 0 0 2/3 0 -5/3 -7/3 5/3 1 2 3
X1 0 1 0 0 1 1 -1 0 3 -
(Sumber: Pengolahan Data)
Tabel 4.24 Iterasi 3 Kasus 2 Metode Big M
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
(28M+ (707- (-6M- (2M+
Z 1 0 0 0 231
680)/3 40M)/6 816)/3 136)/3
X3 0 0 0 1 1 2 -1 -1 0
X2 0 0 1 0 -5/2 -7/2 5/2 3/2 3
X1 0 1 0 0 1 1 -1 0 3
(Sumber: Pengolahan Data)

29
Universitas Widyatama Praktikum Model Optimasi

Tabel 4.25 Iterasi 4 Kasus 2 Metode Big M


Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
(707- (68M- (34M- (-38M
Z 1 0 0 0 231
40M)/3 27)/3 109)/3 +843)/3
S2 0 0 0 1/2 1/2 1 -1/2 -1/2 0
X2 0 0 1 7/4 -3/4 0 3/4 -1/4 3
X1 0 1 0 -1/2 1/2 0 -1/2 1/2 3
(Sumber: Pengolahan Data)
Tabel 4.26 Iterasi 5 Kasus 2 Metode Big M
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
(108M (136M- (102M- (30M-
Z 1 0 0 0 231
-734)/3 54)/3 136)/3 816)/3
S1 0 0 0 1 1 2 -1 -1 0
X2 0 0 1 5/2 0 3/2 0 -1 3
X1 0 1 0 -1 0 -1 0 1 3
(Sumber: Pengolahan Data)
𝑥1 = 3 𝑥2 = 3 𝑍 = 231
4.4 MODEL TRANSPORTASI

4.4.1 Pengumpulan Data


Tabel 4.27 Produksi Pabrik A, B, C
Pabrik Kapasitas Produksi Tiap Bulan
A 218 ton
B 108 ton
C 148 ton
Jumlah 474 ton
(Sumber: Pengumpulan Data)
Tabel 4.28 Kapasitas Produksi Gudang
Gudang Kapasitas Produksi Tiap Bulan
H 178 ton
I 138 ton
J 158 ton
Jumlah 474 ton
(Sumber: Pengumpulan Data)
Tabel 4.29 Biaya Distribusi
Biaya tiap ton (Rp)
Dari
Ke Gudang H Ke Gudang I Ke Gudang J
Pabrik A 27000 23000 31000
Pabrik B 10000 45000 40000
Pabrik C 30000 54000 35000
(Sumber: Pengumpulan Data)

30
Universitas Widyatama Praktikum Model Optimasi

4.4.2 Pengolahan Data


1. Metode North West Corner merupakan langkah awal dalam model transportasi
untuk meminimasikan biaya. Berikut adalah langkah-langkahnya:
Gudang Pasokan
H I J
27000 23000 31000
A 218
178 40 -
10000 45000 40000
Pabrik B 108
- 98 10
30000 54000 35000
C 148
- - 148
Kebutuhan 178 138 158 474
Total Biaya = 27000 × 178 + 23000 × 40 + 45000 × 98 + 40000 × 10 +
35000 × 148 + 0 × 10
Total Biaya = 15716000
Setelah selesai dengan langkah awal diatas, selanjutnya masuk pada langkah
selanjutnya yaitu Metode MODI (Modified Distribution Method) seperti berikut:
Gudang Pasokan
H I J
27000 23000 31000
A 218
178 (-) 40 (+) -
10000 45000 40000
Pabrik B 108
- (+) 98 (-) 10
30000 54000 35000
C 148
- - 148
Kebutuhan 178 138 158 474
Perhitungan:
X11 = 178 – 98 = 80
X12 = 40 + 98 = 138
X21 = 0 + 98 = 98
X22 = 98 - 98 = 0

31
Universitas Widyatama Praktikum Model Optimasi

Iterasi 1
Gudang Pasokan
H I J
27000 138 23000 31000
A 218
80 (-) (+)
10000 45000 10 40000
Pabrik B 108
98 (+) (-)
30000 54000 35000
C 148
148
Kebutuhan 178 138 158 474
Perhitungan:
X11 = 80 – 10 = 70
X13 = 0 + 10 = 10
X21 = 98 + 10 = 108
X23 = 10 - 10 = 0

Iterasi 2
Gudang Pasokan
H I J
27000 138 23000 31000
A 218
70 (-) 10 (+)
10000 45000 40000
Pabrik B 108
108
30000 54000 35000
C 148
(+) 148 (-)
Kebutuhan 178 138 158 474
Perhitungan:
X11 = 70 – 70 = 0
X13 = 10 + 70 = 10
X31 = 0 + 70 = 108
X33 = 148 - 70 = 78

32
Universitas Widyatama Praktikum Model Optimasi

Iterasi 3
Gudang Pasokan
H I J
27000 23000 31000
A 218
138 80
10000 45000 40000
Pabrik B 108
108
30000 54000 35000
C 148
70 78
Kebutuhan 178 138 158 474

Total Biaya Minimum = 23000 × 138 + 31000 × 80 + 10000 × 108 +


30000 × 70 + 35000 × 78 + 0 × 10 = 11564000

2. Model Matematika:
MIN = 27000 * X11 + 23000 * X12 + 31000 * X13 + 10000 * X21 + 45000 * X22
+ 40000 * X23 + 30000 * X31 + 54000 * X32 + 35000 * X33
X11 + X21 + X31 = 218 X11 + X12 + X13 = 178
X12 + X22 + X32 = 108 X21 + X22 + X23 = 138
X13 + X23 + X33 = 148 X31 + X32 + X33 = 158
3. Pembuktian menggunakan Software LINGO
3.1 Fungsi Tujuan
Model :
!Model Transportasi;
Sets :
Suplai /1..3/: Ki;
Konsumen /1..3/: Dj;
Link(Suplai,Konsumen): Xij,Cij;
EndSets
!Data;
Data:
Xij = 27000 23000 31000,
10000 45000 40000,
30000 54000 35000;
Ki = 218 108 148;
Dj = 178 138 158;
ENDDATA
!Fungsi Tujuan;
min = @sum(link(i,j):Xij(i,j)*Cij(i,j));
!Pembatas Kapasitas(Ki);
@for(Konsumen(j):@sum(suplai(i):Cij(i,j))= Ki(j));
!Pembatas Kebutuhan(Dj);
@for(Suplai(i):@sum(Konsumen(j):Cij(i,j))= Dj(i));
!Pembatas Hasil;
@for(Suplai(i):@for(Konsumen(j):Cij(i,j)>= 0 ));

END

33
Universitas Widyatama Praktikum Model Optimasi

3.2 Hasil Pembuktian Software LINGO

Global optimal solution found.


Objective value: 0.1116400E+08
Infeasibilities: 0.000000
Total solver iterations: 6

Variable Value Row Slack or Surplus

KI( 1) 218.0000 1 0.1116400E+08

KI( 2) 108.0000 2 0.000000

KI( 3) 148.0000 3 0.000000

DJ( 1) 178.0000 4 0.000000

DJ( 2) 138.0000 5 0.000000

DJ( 3) 158.0000 6 0.000000

XIJ( 1, 1) 27000.00 7 0.000000

XIJ( 1, 2) 23000.00 8 0.000000

XIJ( 1, 3) 31000.00 9 108.0000

XIJ( 2, 1) 10000.00 10 70.00000

XIJ( 2, 2) 45000.00 11 138.0000

XIJ( 2, 3) 40000.00 12 0.000000

XIJ( 3, 1) 30000.00 13 0.000000

XIJ( 3, 2) 54000.00 14 80.00000

XIJ( 3, 3) 35000.00 15 0.000000

CIJ( 1, 1) 0.000000 16 78.00000

CIJ( 1, 2) 108.0000

CIJ( 1, 3) 70.00000

CIJ( 2, 1) 138.0000

CIJ( 2, 2) 0.000000

CIJ( 2, 3) 0.000000

CIJ( 3, 1) 80.00000

CIJ( 3, 2) 0.000000

CIJ( 3, 3) 78.00000

34
Universitas Widyatama Praktikum Model Optimasi

Gambar 4.1 Solver Status Software LINGO


(Sumber: Pengolahan Data)

4.5 MODEL PENUGASAN


4.5.1 Pengumpulan Data
Tingkat keterampilan, pengalaman kerja, latar belakang pendidikan, dan latihan
setiap karyawan berbeda-beda sehingga dalam waktu penyelesaian atau biaya yang
dikeluarkan untuk pekerjaan yang sama dapat berbeda. Suatu perusahaan penghasil
spare part kendaraan bermotor mempunyai lima pekerjaan yang berbeda, yaitu
cutting, drilling, turning, threading, dan finishing. Perusahaan memiliki tujuh orang
pekerja untuk melakukan pekerjaan tersebut. Biaya penugasan seorang karyawan
untuk masing-masing pekerjaan berbeda-beda. Data pada tabel di bawah
menunjukkan biaya penugasan karyawan perusahaan spare part kendaraan
bermotor untuk masing-masing jenis pekerjaan.
Tabel 4.30 Data Model Penugasan
Pekerjaan Cutting Drilling Turning Treading Finising
Andi 82000 84000 85000 85000 80000
Budi 86000 81000 83000 79000 84000
Cakra 79000 78000 85000 87000 86000
Karyawan Dedi 79000 83000 79000 81000 80000
Edwan 85000 79000 78000 78000 80000
Faisal 81000 78000 84000 78000 82000
Ganjar 81000 81000 79000 87000 83000
(Sumber: Pengumpulan Data)

Keterangan:
1. Buat jadwal penugasan masing-masing pekerja agar biaya yang dikeluarkan oleh
perusahaan menjadi minimal. (dengan lingo dan metode Hungarian)

35
Universitas Widyatama Praktikum Model Optimasi

4.5.2 Pengolahan Data


Data yang telah terkumpul ditambahkan dengan NPM 68, dengan syarat ribuan.
Tabel 4.31 Data Setelah Ditambah NPM
Pekerjaan Cutting Drilling Turning Treading Finising Dummy Dummy
Andi 82000 84000 85000 85000 80000 0 0
Budi 86000 81000 83000 79000 84000 0 0
Cakra 79000 78000 85000 87000 86000 0 0
Karyawan Dedi 79000 83000 79000 81000 80000 0 0
Edwan 85000 79000 78000 78000 80000 0 0
Faisal 81000 78000 84000 78000 82000 0 0
Ganjar 81000 81000 79000 87000 83000 0 0
Minimal 79000 78000 78000 78000 80000 0 0
(Sumber: Pengolahan Data)

Tabel 4.32 Solusi Optimal


1 2 3 4 5 6 7
1 3000 6000 7000 7000 0 0 0
2 7000 3000 5000 1000 4000 0 0
3 0 0 7000 9000 6000 0 0
4 0 5000 1000 3000 0 0 0
5 6000 1000 0 0 0 0 0
6 2000 0 6000 0 2000 0 0
7 2000 3000 1000 9000 3000 0 0
(Sumber: Pengolahan Data)
Solusi Optimal
𝑍 = (1,5) + (2,6) + (3,2) + (4,1) + (5,3) + (6,4) + (7,7)
= 79000 + 78000 + 78000 + 78000 + 80000 + 0 + 0 = 393000
Hasil pembuktian dengan menggunakan software lingo. Fungsi Tujuan:
model:
sets:
Karyawan/1 2 3 4 5 6 7/;
Pekerjaan/1 2 3 4 5 6 7/;
link(karyawan,pekerjaan):cost,penugasan;
endsets
min=@sum(link:penugasan*cost);
@for(karyawan(i):@sum(pekerjaan(j):penugasan(i,j))=1);
@for(pekerjaan(j):@sum(karyawan(i):penugasan(i,j))=1);
data:
cost= 82000 84000 85000 85000 80000 0 0
86000 81000 83000 79000 84000 0 0
79000 78000 85000 87000 86000 0 0
79000 83000 79000 81000 80000 0 0
85000 79000 78000 78000 80000 0 0
81000 78000 84000 78000 82000 0 0
81000 81000 79000 87000 83000 0 0;
enddata
end

36
Universitas Widyatama Praktikum Model Optimasi

Gambar 4.3 Solver Status LINGO


(Sumber: Pengolahan Data)

Global optimal solution found.


Objective value: 393000.0
Infeasibilities: 0.000000
Total solver iterations: 15

Variable Value Variable Value


COST( 1, 1) 82000.00 COST( 5, 5) 80000.00
COST( 1, 2) 84000.00 COST( 5, 6) 0.000000
COST( 1, 3) 85000.00 COST( 5, 7) 0.000000
COST( 1, 4) 85000.00 COST( 6, 1) 81000.00
COST( 1, 5) 80000.00 COST( 6, 2) 78000.00
COST( 1, 6) 0.000000 COST( 6, 3) 84000.00
COST( 1, 7) 0.000000 COST( 6, 4) 78000.00
COST( 2, 1) 86000.00 COST( 6, 5) 82000.00
COST( 2, 2) 81000.00 COST( 6, 6) 0.000000
COST( 2, 3) 83000.00 COST( 6, 7) 0.000000
COST( 2, 4) 79000.00 COST( 7, 1) 81000.00
COST( 2, 5) 84000.00 COST( 7, 2) 81000.00
COST( 2, 6) 0.000000 COST( 7, 3) 79000.00
COST( 2, 7) 0.000000 COST( 7, 4) 87000.00
COST( 3, 1) 79000.00 COST( 7, 5) 83000.00
COST( 3, 2) 78000.00 COST( 7, 6) 0.000000
COST( 3, 3) 85000.00 COST( 7, 7) 0.000000
COST( 3, 4) 87000.00 PENUGASAN( 1, 1) 0.000000
COST( 3, 5) 86000.00 PENUGASAN( 1, 2) 0.000000
COST( 3, 6) 0.000000 PENUGASAN( 1, 3) 0.000000
COST( 3, 7) 0.000000 PENUGASAN( 1, 4) 0.000000
COST( 4, 1) 79000.00 PENUGASAN( 1, 5) 1.000000
COST( 4, 2) 83000.00 PENUGASAN( 1, 6) 0.000000
COST( 4, 3) 79000.00 PENUGASAN( 1, 7) 0.000000
COST( 4, 4) 81000.00 PENUGASAN( 2, 1) 0.000000
COST( 4, 5) 80000.00 PENUGASAN( 2, 2) 0.000000
COST( 4, 6) 0.000000 PENUGASAN( 2, 3) 0.000000
COST( 4, 7) 0.000000 PENUGASAN( 2, 4) 0.000000
COST( 5, 1) 85000.00 PENUGASAN( 2, 5) 0.000000
COST( 5, 2) 79000.00 PENUGASAN( 2, 6) 0.000000
COST( 5, 3) 78000.00 PENUGASAN( 2, 7) 1.000000
COST( 5, 4) 78000.00 PENUGASAN( 3, 1) 0.000000

37
Universitas Widyatama Praktikum Model Optimasi

Variable Value Row Slack or Surplus


PENUGASAN( 3, 2) 1.000000 1 393000.0
PENUGASAN( 3, 3) 0.000000 2 0.000000
PENUGASAN( 3, 4) 0.000000 3 0.000000
PENUGASAN( 3, 5) 0.000000 4 0.000000
PENUGASAN( 3, 6) 0.000000 5 0.000000
PENUGASAN( 3, 7) 0.000000 6 0.000000
PENUGASAN( 4, 1) 1.000000 7 0.000000
PENUGASAN( 4, 2) 0.000000 8 0.000000
PENUGASAN( 4, 3) 0.000000 9 0.000000
PENUGASAN( 4, 4) 0.000000 10 0.000000
PENUGASAN( 4, 5) 0.000000 11 0.000000
PENUGASAN( 4, 6) 0.000000 12 0.000000
PENUGASAN( 4, 7) 0.000000 13 0.000000
PENUGASAN( 5, 1) 0.000000 14 0.000000
PENUGASAN( 5, 2) 0.000000 15 0.000000
PENUGASAN( 5, 3) 1.000000
PENUGASAN( 5, 4) 0.000000
PENUGASAN( 5, 5) 0.000000
PENUGASAN( 5, 6) 0.000000
PENUGASAN( 5, 7) 0.000000
PENUGASAN( 6, 1) 0.000000
PENUGASAN( 6, 2) 0.000000
PENUGASAN( 6, 3) 0.000000
PENUGASAN( 6, 4) 1.000000
PENUGASAN( 6, 5) 0.000000
PENUGASAN( 6, 6) 0.000000
PENUGASAN( 6, 7) 0.000000
PENUGASAN( 7, 1) 0.000000
PENUGASAN( 7, 2) 0.000000
PENUGASAN( 7, 3) 0.000000
PENUGASAN( 7, 4) 0.000000
PENUGASAN( 7, 5) 0.000000
PENUGASAN( 7, 6) 1.000000
PENUGASAN( 7, 7) 0.000000

38
BAB V
ANALISIS

5.1. PEMROGRAMAN LINIER (METODE GRAFIS)


Ada beberapa metode yang bisa digunakan untuk menyelesaikan sistem persamaan
linear dua variabel yakni metode grafik, metode eliminasi, metode substitusi dan
metode campuran. Himpunan penyelesaian pada metode grafik dari sistem
persamaan linear dua variabel adalah koordinat titik potong dua garis tersebut.
Metode grafis digunakan karena studi kasus yang akan dipecahkan oleh praktikan
memiliki 2 variabel saja sehingga metode grafis dapat diterapkan pada masalah ini.

Analisis yang bisa diambil dari studi kasus 1 dengan melakukan pencarian nilai dari
produksi harian optimum dua model radio yang memiliki fungsi 𝑧 = 98𝑥1 + 88𝑥2
dengan pembatas 10𝑥1 + 8𝑥2 ≤ 800, 𝑥1 ≤ 60 𝑑𝑎𝑛 𝑥2 ≤ 75 kemudian diperoleh
titik kordinat saling berpotongan kemudian setelah dilakukan eliminasi dan
subtitusi untuk mencari daerah optimal maka didapatkan beberapa titik yaitu (0,75),
(20,75), (60,25), dan (60,0). Hasil yang terbesar karena yang dicari adalah optimum
didapat di titik (20,75) dengan hasil 8.560. Jadi produksi harian optimum untuk
model 1 sebbanyak 20 unit dan 75 unit untuk model 2.

Analisis yang bisa diambil dari studi kasus 2 dalam pencarian laba maksimum atau
maksimasi dari sebuah masalah perusahaan sepatu. Perusahaan membuat 2 buah
sepatu dengan jenis ABC(X1) dan XYZ(X2). Laba maksimum diperoleh melalui
nilai maksimasi 𝑧 = 30.068 + 50.068 𝑥2 dengan pembatas 2𝑥1 + 3𝑥2 ≤ 24 ,
𝑥1 − 𝑥2 ≤ −1, dan 𝑥2 ≤ 6 dimana 𝑥1,2 ≥ 0. Titik koordinat diketahui setelah
menggambarkan grafik sesuai dengan pembatas-pembatas yang ada dan diperoleh
2 garis yang saling berpotongan kemudian setelah dilakukan eliminasi dan subtitusi
untuk mencari daerah optimal dan didapatkan (0,0) Rp.0, (0,1) Rp.50.068, (12,0) Rp.
360.816 dan (4.2,5.2) Rp. 367.612. Perusahaan akan memiliki laba maksimal sesuai
dengan data yang telah diolah yaitu pada saat memproduksi 4 ABC dan 5 XYZ
dengan laba Rp. 367.612 per hari. Hasil produksi harian tersebut dikalikan 5 hari
kerja dalam seminggu dan dihasilkan keuntungan Rp.1.853.060 dengan produksi
20 ABC dan 25 XYZ dalam 1 minggu.

39
Universitas Widyatama Praktikum Model Optimasi

5.2. PEMROGRAMAN LINIER (METODE SIMPLEKS)


5.2.1 Kasus 1
Berdasarkan informasi yang telah diolah menggunakan metode simpleks, agar
mendapatkan hasil kontribusi laba yang maksimal yaitu dengan memproduksi kapal
Model C sebbanyak 4 unit. Hasil ini memenuhi syarat yaitu untuk memproduksi
Model C tidak bboleh lebih dari 20 unit. Jadi, keuntungan atau laba maksimal yang
diterima oleh perusahaan sebesar 80.000 USD, dengan tahapan desai 10 orang/hari
dan tahapan pekerjaan kayu 18 orang/hari serta tahapan penyelsaian 8 orang/hari.

5.2.2 Kasus 2
Berdasarkan informasi yang telah diolah menggunakan metode simpleks untuk
menentukan solusi optimal dari informasi tersebut. Solusi optimal yang diperoleh
yaitu dengan memproduksi makanan dengan label MJA 2 sebanyak 10 uni dan label
MJA 3 sebanyak 20 unit dengan total keuntungan yang diperoleh yaitu sebesar 260
USD. Hasil ini memenuhi syarat yaitu untuk memproduksi MJA 2 membutuhkan 4
Kg tepung beras dan 5 Kg pisang raja. Total bahan yang digunakan dalam produksi
yaitu 40 Kg tepung beras dan 50 Kg pisang raja dengan waktu produksi 40 jam
penggorengan dan 40 jam pengeringan. Jadi, solusi optimal dengan memproduksi
10 label MJA 2 dan 20 labe MJA 3 dengan keuntungan sebbesar 260 USD.
5.2.3 Kasus 3
Hasil pengolahan informasi menggunakan metode simpleks menghasilkan solusi
optimal yaitu 4 tayangan televisi, 10 waktu iklan di radio dan 1 iklan surat kabar.
Syarat yaitu perusahaan hanya memiliki jatah 15 komersil dan iklan sudah
terpenuhi dan juga batasan anggaran yang ditentukan sesuai dengan hasil yang
diperoleh. Pemirsa potensial yang dihasilkan dari iklan komersil ini sebanyak
209.000 orang. Total biaya yang dikeluarkan sebesar 124.000 USD.

5.3. PEMROGRAMAN LINIER (METODE BIG M)


5.3.1 Kasus 1
Biaya Produksi minimal yang dibutuhkan untuk memproduksi susu kedelai yaitu
sebesar Rp. 18.800 dengan menghasilan 1 buah susu kedelai cair. Produksi 1 buah
susu kedelai membbutuhkan 1 jam orang pada proses mesin penggiling dan 4 jam
orang pada mesin pengolah susu kedelai.

40
Universitas Widyatama Praktikum Model Optimasi

5.3.2 Kasus 2
Biaya produksi minimal yang dibutuhkan perusahaan yaitu sebesar 204 USD
dengan memproduksi 3 unit Robot I dan 3 Unit Robot II tanpa memproduksi Robot
III. Produksi 3 unit Robot I membutuhkan 1 unit sparepart A, 3 unit sparepart B,
2 unit sparepart C. Robot II membutuhkan masing-masing 2 unit tiap sparepart.
Jadi, total membutuhkan 9 unit sparepart A, 15 unit sparepart B, 9 unit sparepart
C.
5.4. MODEL TRANSPORTASI
Praktikan telah melakukan perhitungan pada kasus menggunakan North West
Corner (NWC) dan MODI (Modified Distribution Method) untuk mencari nilai
minimasi dan mendapatkan hasil yang optimal. Berdasarkan hasil pengolahan data
menggunakan Modified Distribution Method diperoleh biaya transportasi menimal
sebesar 11564000 sedangkan jika hanya menggunakan metode North West Corner
(NWC) diperoleh biaya transportasi menimal sebesar 11516000. Jadi, hasil optimal
yang diperoleh yaitu menggunakan Modified Distribution Method diperoleh biaya
transportasi menimal sebesar 11564000. Nilai dari tiap-tiap variabel yaitu X11 = 0,
X12 = 108, X13 = 70, X21 = 138, X22 = 0, X23 = 0, X31 = 80, X32 = 0, X33 = 78.

Praktikan melakukan pembuktian terhadap hasil yang telah diperoleh menggunakan


Software LINGO. Hasil yang diperoleh dalam pembuktian yaitu sebesar
0.1116400E+08. Hasil tersebut berbeda dengan hasil yang diperoleh pada
pengolahan data dengan penggunaan metode MODI. Hasil dalam pembuktian
terjadi perbedaan, tetapi untuk nilai dari setiap variabel yang diperoleh pada saat
pengolahan data sama dengan nilai dari setiap variabel yang ada di dalam Software
LINGO. Perbedaan yang terjadi dapat disebabkan oleh kesalahan praktikan dalam
penggunaan Software LINGO.

5.5. MODEL PENUGASAN


Metode Penugasan Hungarian menggunakan yang disebut pengurangan matriks
(Matrix Reduction) dengan mengurangi dan menambah suatu nilai dalam matriks,
sehingga akan menghasilkan penyelesaian optimal masalah penugasan. Jumlah
pekerjaan apabbila tidak sama dengan jumlah karyawan dan sebaliknya, maka
harus ditambahkan karyawan semu (dummy worker). Biaya semu sama dengan nol

41
Universitas Widyatama Praktikum Model Optimasi

karena tidak akan terjadi biaya bila suatu pekerjaan ditugaskan ke karyawan semu,
bila jumlah karyawan lebih banyak daripada pekerjaan, maka ditambahkan
pekerjaan semu (dummy job).

Jadwal penugasan masing-masing pekerja agar biaya yang dikeluarkan oleh


perusahaan menjadi minimal dengan menghitung manual pada metode hungarian
memperoleh biaya minimum sebesar 393.000. Hasil tersebut diperoleh dari proses
1 iterasi. Hasil dari solusi optimal yaitu Z = (1,5) + (2,6) + (3,2) + (4,1) + (5,3) +
(6,4) + (7,7) = 79000 + 78000 + 78000 + 78000 + 80000 + 0 + 0 = 393000. Hasil
perhitungan manual dapat dilihat pada tabel 5.1 dan hasil perhitungan
menggunakan software LINGO dapat dilihat pada gambar 5.1 di bawah ini:

Tabel 5.1 Hasil Biaya Minimum Perhitungan Metode Hungarian


Solusi
C1,5 79000
C2,6 78000
C3,2 78000
C4,1 78000
C5,3 80000
C6,4 0
C7,7 0
393000
(Sumber: Pengolahan Data)
Hasil yang diperoleh menghasilkan perhitungan biaya minimum yang sama dari
perhitungan Metode Hungarian dan software LINGO yaitu 393.000. Hal ini terbukti
bahwa menggunakan metode manual dibandingkan metode software menghasilkan
hasil yang sama sehingga perhitungan yang dilakukan sudah sesuai dan benar.

Gambar 5.1 Hasil Biaya Minimum Perhitungan Software LINGO


(Sumber: Pengolahan Data)

42
BAB VI
KESIMPULAN DAN SARAN
6.1 KESIMPULAN
Terdapat kesimpulan pada praktikum model optimasi ini, diantaranya:
1. Studi Kasus Metode Linear Programming Metode Grafis didapat keuntungan
maksimum dari produk sepatu ABC dan XYZ dalam satu hari.
2. Studi Kasus metode Linear Programming Metode Simplek didapat nilai
optimum dari kasus pertama.
3. Praktikan menyelesaikan 2 contoh permasalahan menggunakan Metode Big M.
4. Praktikan menyelesaikan suatu kasus menggunakan 2 metode yang pertama
Northwest Corner dan yang kedua Stepping Stone.
5. Praktikan melakukan penyelesaian kasus menggunakan Metode Penugasan
dengan menggunakan Software LINGO.

6.2 SARAN
Didapat saran selama praktikum statistika industri berlangsung, diantaranya:
1. Praktikan harus menguasai metode yang akan dipelajari.
2. Praktikan harus teliti dalam pengambilan data yang akan diolah.
3. Diharapkan praktikan bisa lebih memahami soal cerita kedalam model
matematis.
4. Praktikan harus lebih teliti dalam mengolah data agar data yang didapat sesuai
dengan yang diinginkan.
5. Praktikan harus menguasai beberapa Software diantaranya Microsoft Excel,
Microsoft Word, Lingo, Visio dan yang lainnya.

43
DAFTAR PUSTAKA

Fien Zulfikarijah. 2004. Operation Research. Malang: Bayumedia.

John Supranto. 1983. Statistika Teori dan Aplikasi. Jakarta: Erlangga.

Rangkuti, Aidawayati. 2013. 7 Model Riset Operasi & Aplikasinya. Surabaya:


Brilian Internasional.

Siringoringo, Hotniar. 2005. Seri Teknik Riset Operasional Pemrograman Linear.


Yogyakarta: Graha Ilmu.

Taha, Hamdy A.1996. Riset Operasi Edisi Kelima. Jakarta: Penerbit Binarupa
Aksara.

44
LAMPIRAN

45