1

PENDAHULUAN

1. Pengertian Riset Operasi

Riset Operasi adalah metode untuk memformulasikan dan merumuskan permasalahan
sehari-hari baik mengenai bisnis, ekonomi, sosial maupun bidang lainnya ke dalam
pemodelan matematis untuk mendapatkan solusi yang optimal. Solusi bisa
memaksimalkan atau meminimumkan hasil dengan cara membuat pemodelan matematis
dari persoalan yang ingin diselesaikan.

2. Pemodelan Matematis
Bagian terpenting dari Riset Operasi adalah bagaimana menerjemahkan permasalahan
sehari-hari ke dalam model matematis. Faktor-faktor yang mempengaruhi pemodelan
harus disederhanakan dan apabila ada data yang kurang, kekurangan tersebut dapat
diasumsikan atau diisi dengan pendekatan yang bersifat rasional. Dalam Riset Operasi
diperlukan ketajaman berpikir dan logika.
Untuk mendapatkan solusi yang optimal dan memudahkan kita mendapatkan hasil, kita
dapat menggunakan komputer. Software yang dapat digunakan antara lain: LINDO
(Linear, Interactive and Discrete Optimizer) dan POM For Windows.

BAB I. PROGRAM LINEAR

 2

Program linear adalah salah satu model matematika yang digunakan untuk
penyelesaikan masalah optimisasi, yaitu memaksimumkan atau meminimumkan fungsi
tujuan yang bergantung pada sejumlah variabel input.
Hal terpenting yang perlu kita lakukan adalah mencari tahu tujuan penyelesaian masalah dan
apa penyebab masalah tersebut.
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.

1. Masalah Maksimisasi
Maksimisasi dapat berupa memaksimalkan keuntungan atau hasil.
Contoh:
PT LAQUNATEKSTIL memiliki sebuah pabrik yang akan memproduksi 2 jenis produk,
yaitu kain sutera dan kain wol. Untuk memproduksi kedua produk diperlukan bahan baku
benang sutera, bahan baku benang wol dan tenaga kerja. Maksimum penyediaan benang
sutera adalah 60 kg per hari, benang wol 30 kg per hari dan tenaga kerja 40 jam per hari.
Kebutuhan setiap unit produk akan bahan baku dan jam tenaga kerja dapat dilihat dalam
tabel berikut:

Kedua jenis produk memberikan keuntungan sebesar Rp 40 juta untuk kain sutera dan Rp
30 juta untuk kain wol. Masalahnya adalah bagaimana menentukan jumlah unit setiap jenis
produk yang akan diproduksi setiap hari agar keuntungan yang diperoleh bisa maksimal.
Langkah-langkah yang dilakukan dengan cara:
1) Tentukan variabel
 3

X1=kain sutera
X2=kain wol
2) Fungsi tujuan
Zmax= 40X1 + 30X2
3) Fungsi kendala / batasan
2X1 + 3X2 ≤60 (benang sutera)
2X2 ≤30 (benang wol)
2X1 + X2 ≤40 (tenaga kerja)
4) Membuat grafik
 2X1 + 3 X 2=60
X1=0, X2 =60/3 = 20
X2=0, X1= 60/2 = 30
 2X2 30
X2=15
 2X1 + X2 40
X1=0, X2 = 40
X2=0, X1= 40/2 = 20

Cara mendapatkan solusi optimal:

1. Dengan mencari nilai Z setiap titik ekstrim.
 4

Titik A
X1=0, X2=0
masukkan nilai X1 dan X2 ke Z
Z = 40 . 0 + 30 . 0 = 0
Titik B
X1=20, X2=0
masukkan nilai X1 dan X2 ke Z
Z = 40 . 20 + 30 . 0 = 800
Titik C
Mencari titik potong (1) dan (3)
2X1 + 3X2 = 60
2X1 + X2 = 40 -
2X2=20 X2=10
Masukkan X2 ke kendala (1)
2X1 + 3X2 = 60
2X1 + 3 *10 = 60
2X1 + 30 = 60
2X1 = 30 X1 = 15
Masukkan nilai X1 dan X2 ke Z
Z = 40X1 + 30X2 = 40 . 15 + 30 . 10 = 600 + 300 = 900 (optimal)
Titik D
2X2 = 30
X2 = 15
Masukkan X2 ke kendala (1)
2X1 + 3 *15 = 60
2X1 + 45 = 60
2X1 = 15 X1 = 7,5
Masukkan nilai X1 dan X2 ke Z
Z = 40 * 7,5 + 30 * 15 = 300 + 450 = 750

Titik E
X2 = 15
 5

X1 = 0
Masukkan nilai X1 dan X2 ke Z
Z = 40 . 0 + 30 .15 = 450
Kesimpulan :
untuk memperoleh keuntungan optimal, maka X 1 = 15 dan X2 = 10 dengan keuntungan
sebesar Rp 900 juta.

2. Dengan cara menggeser garis fungsi tujuan.

Solusi optimal akan tercapai pada saat garis fungsi tujuan menyinggung daerah feasible
(daerah yang diliputi oleh semua kendala) yang terjauh dari titik origin. Pada gambar,
solusi optimal tercapai pada titik C yaitu persilangan garis kendala (1) dan (3).
Titik C
Mencari titik potong (1) dan (3)
2X1 + 3X2 = 60
2X1 + X2 = 40 -
2X2=20
X2=10
Masukkan X2 ke kendala (1)
2X1 + 3X2 = 60
2X1 + 3 *10 = 60
2X1 + 30 = 60
2X1 = 30 sehinggaX1 = 15

Masukkan nilai X1 dan X2 ke Z

40X1 + 30X2 = 40 *15 + 30 * 10 = 600 + 300 = 900

2 . Masalah Minimisasi
Minimisasi dapat berupa meminimumkan biaya produksi. Solusi optimal tercapai pada
saat garis fungsi tujuan menyinggung daerah fasible yang terdekat dengan titik origin.
 6

Contoh :
Perusahaan makanan ROYAL merencanakan untuk membuat dua jenis makanan yaitu
Royal Bee dan Royal Jelly. Kedua jenis makanan tersebut mengandung vitamin dan
protein. Royal Bee paling sedikit diproduksi 2 unit dan Royal Jelly paling sedikit
diproduksi 1 unit. Tabel berikut menunjukkan jumlah vitamin dan protein dalam setiap
jenis makanan:

Bagaimana menentukan kombinasi kedua jenis makanan agar meminimumkan biaya

produksi.
Langkah – langkah yang dilakukan:
1. Tentukan variabel
X1 = Royal Bee
X2 = Royal Jelly
2. Fungsi tujuan
Zmin = 100X1 + 80X2
3. Fungsi kendala
2X1 + X2 ≥8 (vitamin)
2X1 + 3X2 ≥12 (protein)
X1 ≥2
X2 ≥ 1
4. Membuat grafik
1) 2X1 + X2 = 8
X1 = 0, X2 = 8
X2 = 0, X1 = 4
2) 2X1 + 3X2 = 12
X1 = 0, X2 = 4
X2 = 0, X1 = 6
 7

3) X1 = 2
4) X2 = 1

Solusi optimal tercapai pada titik B (terdekat dengan titik origin), yaitu persilangan garis
kendala (1) dan (2).
2X1 + X2 = 8
2X1 + 3X2 = 12
-2X2 = -4 sehinggaX2 = 2
masukkan X2 ke kendala (1)
2X1 + X2 = 8
2X1 + 2 = 8
2 X1 = 6 sehinggaX1 = 3
masukkan nilai X1 dan X2 ke Z
Z min = 100X1 + 80X2 = 100 . 3 + 80 . 2 = 300 + 160 = 460
Kesimpulan :
Untuk meminimumkan biaya produksi, maka X 1 = 3 dan X2 = 2 dengan biaya produksi 460
ribu rupiah.

SOAL LATIHAN
1. Maksimumkan Z = 3X1 + 5X2
Kendala : 2X1 ≤8
3X2 ≥15
 8

6X1 + 5X2 =30

4 X1 -2 X2≥ 8
X1≥0 , X2 ≥0

2. Minimumkan Z = 5 X1 + 2X2
Kendala: 6X1 + X2 ≥6
4X1 + 3X2 ≥2
X1 + 2X2 ≥4 , X1 ≥0, X1 ≥0

3. PT BAKERY memproduksi tiga jenis roti kering, yaitu pia, bolukismis dan coklatkeju
dengan keuntungan tiap jenis produk masing-masing Rp 150, Rp 400 dan Rp 600. Setiap
minggu ditetapkan minimum produksi roti pia 25 unit, bolukismis 130 unit dan
coklatkeju 55 unit. Ketiga jenis roti memerlukan pemrosesan tiga kali yaitu penyiapan
bahan, peracikan dan pengovenan seperti terlihat pada tabel berikut:

Bagaimana formulasi program linear masalah PT Bakery tersebut dan hitung solusi
optimalnya!

BAB II. METODE SIMPLEX

 9

Metode grafik tidak dapat menyelesaikan persoalan linear program yang memilki variabel
keputusan yang cukup besar atau lebih dari dua, maka untuk menyelesaikannya digunakan
Metode Simplex.
Beberapa ketentuan yang perlu diperhatikan, antara lain:
1. Nilai kanan (NK / RHS) fungsi tujuan harus nol (0).
2. Nilai kanan (RHS) fungsi kendala harus positif. Apabila negatif, nilai tersebut harus
dikalikan –1.
3. Fungsi kendala dengan tanda “≤” harus diubah ke bentuk “=” dengan menambahkan
variabel slack/surplus. Variabel slack/surplus disebut juga variabel dasar.
4. Fungsi kendala dengan tanda “≥” diubah ke bentuk “≤” dengan cara mengalikan dengan –
1, lalu diubah ke bentuk persamaan dengan ditambahkan variabel slack. Kemudian
karena RHS-nya negatif, dikalikan lagi dengan –1 dan ditambah artificial variabel (M).
5. Fungsi kendala dengan tanda “=” harus ditambah artifi
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
 37

R R X1 X2 S1 S3 R2 R3 Solusi
R 1 3 4 0 -1 0 0 30
 38

S1 0 1 0 1 0 0 0 4
R2 0 0 2 0 0 1 0 12
R3 0 3 2 0 -1 0 1 18
R R X1 X2 S1 S3 R2 R3 Solusi
R 1 3 0 0 -1 -2 0 6
S1 0 1 0 1 0 0 0 4
X2 0 0 1 0 0 1/2 0 6
R3 0 3 0 0 -1 -1 1 6

R R X1 X2 S1 S3 R2 R3 Solusi
R 1 0 0 0 0 -1 -1 0
S1 0 0 0 1 1/3 1/3 -1/3 2
X2 0 0 1 0 0 1/2 0 6
X1 0 1 0 0 -1/3 -1/3 1/3 2
Persoalan memiliki solusi fisible karena Z=0
 Fase 2
S1 + 1/3 S3 =2
X2 =6
X1 - 1/3 S3= 2 X1= 2 +1/3 S3
Kembali ke persamaan semula susbstitusi:
Min Z = 3(2 +1/3 S3)+ 5(6)
Z – S3 = 36

Z X1 x2 S1 S3 Solusi
Z 1 0 0 0 -1 36
S1 0 0 0 1 1/3 2
X2 0 0 1 0 0 6
 39

X1 0 1 0 0 -1/3 2

Persoalan sudah langsung Optimum

Contoh Soal:
PT Philips Ralin memproduksi 3 jenis/model radio, yaitu model A, B dan C yang masing
masing memberikan keuntungan $16, $30 dan $50 per set.
Menurut informasi bagian penjualan, keperluan minimum perminggu dari masing-masing
model adalah A=20, B=120 dan C=60 set
Proses pembuatan meliputi proses pembuatan komponen, perakitan dan pengepakan
untuk tiap model sbb:
Model A : p. komponen 3 jam/set,perakitan 3.5 jam/set dan pengepakan 5 jam/set
Model B : p. komponen 4 jam/set,perakitan 5 jam/set dan pengepakan 8 jam/set
Model C : p. komponen 1 jam/set,perakitan 1.5 jam/set dan pengepakan 3 jam/set
Untuk minggu depan perusahaan mempunyai waktu pembuatan komponen 1440 jam,
perakitan 1920 jam dan pengepakan 576 jam.
Berapa radio yang diproduksi untuk tiap model supaya keuntungan maximum?

Buat Fungsi Tujuan dan Fungsi Pembatas dan rubah sesuai aturan yang telah ditentukan,
hasil bisa dilihat tabel awalnya sebagai berikut:
40
41
42
43
44
45
46
47
 48

Hubungan Primal dan Dual dari Tabel Optimum

- Jika persoalan sudah mencapai optimum, maka maks Z=Min W
- Nilai optimum variabel dual sama dengan variabel slack sesuai korespondesinya
- Nilai optimum variabel dual sama dengan variabel artifisial dengan
menghilangkan nilai M nya sesuai korespondesinya
Sifat primal dual penting dipahami, terutama pada saat kita membicarakan analisa
kepekaan, ada empat sifat yang perlu diketahui adalah :
 49

1. Menentukan koefisien fungsi tujuan variabel basis awal dapat dicari dengan:
- Mengalikan fungsi tujuan yang original dari variabel basis pada iterasi yang
bersangkutan dengan matrik di bawah variabel basis awal pada iterasi
bersangkutan (Simplex multipliers)
- Kurangi nilai diatas dengan fungsi tujuan yang original
Bentuk original fungsi tujuan primal diatas bisa kita tuliskan sebagai berikut :
Z = 5X1+12X2+4X3+0S1-MR2, dimana variabel basis awal adalah S1 dan R2
sehingga koefisien fungsi tujuan original adalah 0 dan –M.
Bentuk original fungsi tujuan dual diatas bisa kita tuliskan sebagai berikut:
Z = 10Y1+8(Y2’-Y2’’)-0(S1+S2+S3)+M(R1+R2+R3), dimana variabel basis awal
adalah R1,R2 dan R3 sehingga koefisien fungsi tujuan original adalah M,M dan M.
50
51
52
53
54
 55

BAB IV. Assigment dan Minimum Network

IV.1. Assigment (Penugasan)

Penugasan merupakan suatu metode untuk menempatkan suatu sumber ke suatu
tujuan, misalnya pekerjaan harus dikerjakan oleh mesin yang mana supaya
didapatkan biaya minimum
Jumlah dari sumber harus sama dengan jumlah tujuan
Biaya penempatan antara sumber ke setiap tujuan harus diketahui lebih dahulu
Tujuan untuk meminimumkan biaya penggunaan sumber pada tujuan
Keputusan yang diambil menempatkan satu sumber ke satu tujuan
 56

Algoritma Penugasan Minimum

Buat tabel biaya antara sumber ke tujuan
Untuk masing-masing baris pada tabel lakukan langkah sebagai berikut:
o Cari biaya yang terkecil
o Nilai biaya terkecil diatas gunakan untuk mengurangi semua biaya yang
ada pada baris tersebut
Bila pada tabel ada kolom yang mempunyai semua nilai biayanya>0 maka cari
nilai biaya terkecil dan gunakan untuk mengurangi semua nilai biaya pada kolom
tersebut
Buat garis vertikal atau horinsontal yang harus melalui biaya bernilai nol (0)
dengan jumlah garis seminimal mungkin
Cari nilai biaya terkecil yang tidak dilalui garis dan gunakan nilai tersebut untuk
mengurangi nilai biaya yang tidak dilalui garis serta tambahkan ke nilai biaya
yang merupakan perpotongan dua garis

Penempatan Sumber Ketujuan

Dari hasil tabel pada algoritma sebelumnya penempatan dilakukan dengan cara sebagai
berikut:
 Cari baris atau kolom yang mempunyai nilai 0 hanya satu, tempatkan sumber ke
tujuan sesuai posisi nol tersebut.
 Cari baris dan kolom yang mempunyai nilai 0 hanya dua, dimana salah satu nol
nya sesuai langkah sebelumnya. Tempatkan sumber ke tujuan pada posisi nol
yang bukan pada langkah sebelumnya
 Langkah diatas dilakukan untuk baris dan kolm yang mempunyai nilai nol
berjumlah 3,4,5 dan seterusnya, sampai setiap sumber sudah ditempatkan pada
satu tujuan
57
58
59
 60

IV.2. Minimum Network

 Buat dua partisi, dimana parisi I berisi node asal jaringan dan partisi II berisi node
yang lain
 Cari jarak terpendek dari node yang ada di Partisi I ke node yang ada di partisi II,
pindahkan node dengan jarak terkecil tersebut dari partisi II ke partisi I.
 Gambar hubungan node diatas
 Ulangi langkah diatas sampai node di partisi II kosong
 61

Asal dari partisi adalah tempat A

Jawab:
- Partisi I={A} II={B,C,D,E,F}
- Partisi I={A,B} II={C,D,E,F} karena A ke B paling minim
- Partisi I={A,B,E} II={C,D,F} karena B ke E paling minim
- Partisi I={A,B,E,C} II={D,F} karena A ke C lebih minim
- Partisi I={A,B,E,C,D} II={F} karena C ke D lebih minim
- Partisi I={A,B,E,C,D,F} II={} karena D ke F lebih minim

Gambar sesuai urutan dari perubahan isi dari partisi diatas

 62

V. PROGRAM DINAMIS

Program Dinamis adalah Suatu teknik matematis biasanya digunakan untuk

membuat suatu keputusan dari serangkaian keputusan yang saling terkait. Hal ini bisa
digambarkan sebagai berikut:
 Persoalan dibagi menjadi beberapa Stage (Tahap) yang pada masing-masing Stage
diperlukan suatu keputusan (TUJUAN)
 Masing-masing Stage terdiri dari beberapa State yang saling berhubungan dengan
Stage tersebut
 Hasil keputusan yang diambil pada setiap Stage akan ditransformasikan dari state
yang bersangkutan ke state berikutnya pada Stage yang berikutnya pula
 Keputusan yang terbaik pada suatu Stage bersifat Independen terhadap keputusan
yang dilakukan pada Stage sebelumnya
 Procedure pemecahan permasalahan dimulai mendapatkan keputusan terbaik
untuk setiap State dari Stage terakhir
 Ada suatu hubungan timbal balik yang mengidentifikasikan keputusan terbaik
untuk setiap State pada Stage N, berdasarkan keputusan terbaik untuk setiap State
pada Stage (n+1).
 Hubungan diatas bisa dituliskan
Fn (s) = min/max (Csxn + Fn+1 (xn))
Oleh karena itu untuk mendapatkan keputusan terbaik jika akan bergerak dari
state S pada stage N, terlebih dahulu harus didapatkan nilai terbaik dari Xn
pada stage (n+1)
Dalam hal ini:
o Variabel Xn sebagai variabel keputusan pada Stage n ( n=1,2,3…N)
o Fn (s,Xn) sebagai nilai fungsi tujuan yang akan di maksimumkan atau
diminimumkan, dengan catatan bahwa sistem akan berawal di state s pada
stage n dan Xn telah terpilih sehingga Fn (s,Xn) = Csxn + Fn+1 (xn)
 63

o Fn (s) sebagi nilai maksimum/minimum dari Fn (s,Xn) untuk seluruh nilai

Xn yang mungkin, maka bentuk hubungan timbal baliknya adalah:
o Fn (s) = mak/min Fn (s,Xn)
 Dengan menggunakan hubungan timbal balik ini, prosedur penyelesaian bergerak
mundur Stage demi Stage, pada setiap Stage diusahakan keputusan OPTIMUM
untuk masing-masing State hingga akhirnya diperoleh keputusan optimum
menyeluruh.
 Persamaan yang digunakan tidak akan sama untuk setiap persoalan
64
 65

Solusi
 Dari hasil diatas Cs,xn merupakan biaya dari kota s ke kota xn
 Hasil Akhir total biaya minimum sebesar 11, dengan pilihan start dengn dua cara
sebagai berikut:
1. Dari kota 1 ke kota 3 (dari tabel akhir), kemudian ke kota 5 (dari tabel ke 3),
kemudian ke kota 8 (dari tabel 2) dan ke kota 10. Jadi jalurnya 1->3->5->8->10
2. Dari kota 1 ke kota 4 (dari tabel akhir), kemudian ke kota 5 atau 6 (dari tabel ke
3), kemudian ke kota 8 dari kota 5 dan 9 dari kota 6 (dari tabel 2) dan ke kota 10.
Jadi jalurnya 1->4->5->8->10 atau 1->4->6->9->10

Program Dinamis Deterministik

 Dimana state pada stage berikutnya tergantung pada state dan keputusan saat ini
 Pada stage n prosesnya akan berada pada state Sn, pada state ini dibuat keputusan
Xn, kemudian proses bergerak ke state Sn+1 pada stage (n+1)
 Contoh: Badan WHO mempunyai 5 team kesehatan yang harus ditempatkan pada
tiga negara yang terbelakang untuk melayani kesehatan,pendidikan dan program
latihan. Ukuran keberhasilan dari team tersebut adalah bertambahnya umur untuk
 66

penduduk dinegara tersebut, tabel dibawah ini menunjukkan pertambahan umur

dalam satuan ribu untuk negara dengan alokasi team yang ada:

Jawab
 Misalkan Pi(Xi) adalah ukuran keefektifan dengan alokasi team sebanyak Xi pada
negara I, sehingga bisa dituliskan Maksimumkan ΣPi(Xi), dimana Σxi=5 untuk
i=1 s/d i=3
 Karena itu Fn(S,Xn) = Pn(Xn) + F*n+1(S-Xn)
 Fn*(S) = maks(Pn(Xn) + F*n+1(S-Xn)) untuk Xn=0,1,2,…S Dan n=1,2
 Dimana Fn*(S) adalah total nilai maks pada n negara dengan team sebanyak S
 67

HASIL
 Dengan demikian solusi optimumnya untuk n=1adalah X1=1 sesuai tabel 3,
sehingga S=5-1=4 untuk N=2
 Akibat pada N=2 dengan S=4 didapat X2=3 sesuai tabel 2, sehingga S=4-3=1
untuk N=3
 Akibatnya pada N=3 dengan S=1 didapat X3=1
 Jadi negara 1 ada 1 team, negara 2 ada 3 team dan negara 3 ada 1 team dengan
total team=5
 68

Bab VI. PDM dan CPM/PERT

VI. 1. Presenden Diagram Method (PDM)

PDM merupakan suatu metode yang digunakan untuk manajemen Project, yang
nantinya bisa digambarkan dalam bentuk Chart sehingga :
• Dengan PDM bisa diketahui kapan seluruh project selesai, kapan dimulai dan
diakhiri untuk semua kegiatan yang ada di dalam project
• Antara kegiatan satu dengan yang lain bisa dihubungkan dengan transisi
• Kegiatan berikutnya bisa dilakukan walaupun kegiatan sebelumnya belum
berakhir
• Komponen yang ada di dalam tabel PDM adalah LS,LF,ES,EF, nama kegiatan dan
lama kegiatan tersebut dilakukan
Komponen PDM
• ES adalah waktu tercepat untuk memulai suatu kegiatan
• EF adalah waktu tercepat untuk mengakhiri suatu kegiatan
• LS adalah waktu yang paling lambat untuk memulai suatu kegiatan
• LF adalah waktu paling lambat untuk mengakhiri suatu kegiatan
• Dari perbedaan antara LS dan Es atau LF dengan EF maka suatu kegiatan bisa
kita tunda
Transisi PDM
• SS(i,j) adalah kegiatan J bisa dimulai setelah kegiatan I dilakukan / dimulai
selama SS(i,j)
• SF(i,j) adalah kegiatan J bisa diakhiri setelah kegiatan I dimulai selama SF(i,j)
• FF(i,j) adalah kegiatan J bisa diakhiri setelah kegiatan I diakhiri selama FF(i,j)
• FS(i,j) adalah kegiatan J bisa dimulai setelah kegiatan I dimulai selama FS(i,j)
Perhitungan EF dan ES
• Harga awal untuk ES adalah 0 (nol), diset pada kegiatan awal yaitu tabel kegitan
yang tidak ada panah masuk ke tabel tersebut
• ES(j) yang lain dihitung dengan mencari nilai maksimum dari:
 69

- ES(i)+SS(i,j)
- ES(i)+SF(i,j)-D(j)
- EF(i) + FS(i,j)
- EF(i)+FF(i,j)-D(j)
• EF(j) = ES(j) + D(j)
Harga LS dan LF
• Harga awal untuk LF adalah EF, diset pada kegiatan akhir yaitu tabel kegitan yang
tidak ada panah keluar ke tabel tersebut
• LF yang lain dihitung dengan mencari nilai minimum dari:
- LF(j)-FF(i,j)
- LF(j)-SF(i,j)+D(i)
- LS(j) - FS(i,j)
- LS(j)-SS(i,j)+D(i)
• LS(i) = LF(i) - D(i)

VI.2. Critical Path Method Program Evaluation and Review Technique

CPM/PERT adalah Analisis untuk menentukan waktu terpendek menyelesaikan
proyek, masalah jalan pintas, masalah rentang cabang terpendek, dan masalah arus
terbanyak. Beberapa aplikasi yang bisa diselesaikan dengan CPM/PERT antara lain
adalah :
 Lintasan terpanjang (analisis waktu proyek)
Mencari lintasan terpanjang (lintas kritis) dari beberapa lintas urutan penyelesaian
aktifitas proyek.
 Lintasan terpendek (pintas)
Mencari lintasan terpendek dari tempat asal ke tujuan dari beberapa jalur
alternatif yang tersedia.
 Rentang cabang terpendek
Menemukan jalur-jalur yang menghubungkan semua titik dalam jaringan agar
jumlah panjang seluruh jalur minimum.
 Arus maksimum
 70

Alokasi arus pada jalur-jalur dalam jarinngan yang memiliki kapasitas terbatas,
mulai dari tempat asal ke tempat tujuan agar jumlah arus yang mengalir
maksimum.
Model CPM (t=konstan)
 Berbentuk jaringan:
AOA : Activity on Arch (sering dipakai) AON : Activity on Note
 Notasi

ET a, t, s ET
i j
LT LT

i, j = nomor node (titik) i, dan node j

a = aktivity (aktivitas selama waktu t = tij )
ETj = Earliest Time (waktu maksimum sampai node j) = Max {ETi + tij }
LTi = Latest Time (waktu minimum paling lambat pada node i) = Min {LTj – tij }
sij = slack (waktu tunda) = LTj – tij – ETi
Critical path = himpunan dari titik awal s/d akhir {aij } yang memenuhi sij = 0
Aktivitas Dummy
Aktivitas dummy adalah aktivitas yang tidak membutuhkan sumber daya dan
waktu. Hal ini terjadi karena melanggar aturan membuat model jaringan CPM/PERT;
“dua atau lebih kegiatan tidak dapat secara serentak berawal dan berakhir pada node
yang sama”
 71

3 dummy
a a
2 3 2 4
b b

a c a 2 c
2
b d dummy
b 3 d
c dikerjakan setelah a dan d dikerjakan setelah a & b selesai

Contoh Jaringan CPM

Aktivitas Pendahulu Waktu (bulan)
a. Menggambar - 3
b. Peletakan Pondasi a 2
c. Pemesanan bahan a 1
d. Memilih cat b, c 1
e. Membangun rumah b, c 3
f. Memilih karpet d 1
g. Finishing e, f 1

b
a c e g
1 2 3 4 6

d f
5
 72

Mana yang salah ?

aktivitas b & c karena mulai & berakhir pada titik yang sama

Pembetulan Jaringan dengan dummy

5
3
5
b
2
0
0 a 3 c 5 e 8 g 9
1 2 4 6 7
0 3 3 1 5 3 8 1 9
0 1 d 0 0
1 6
f 1
1 5 1
7

ETj = Earliest Time (waktu maksimum sampai node j) = Max {ETi + tij }
LTi = Latest Time (waktu minimum paling lambat pada node i) = Min {LTj – tij }
sij = slack (waktu tunda) = LTj – tij – ETi
Critical path (Lintasan kritis) ? 1 à 2 à 3 à 4 à 6 à 7

Model CPM ( t=probabilistik)

Asumsi:
 Penyelesaian kegiatan mengikuti distribusi Beta, dengan rerata tij dan varian vij
tij = (aij + 4mij + bij ) / 6 vij = [(bij - aij)/6 ]2
aij = optimistic time, waktu terpendek yang mungkin utk menyelesaikan
mij = most likely time, waktu yang paling mungkin utk menyelesaikan
bij = pesimistic time, waktu terlama yang mungkin utk menyelesaikan
 73

 Waktu kegiatan adalah independent secara statistik, sehingga rerata & varian
waktu kegiatan dapat dijumlahkan utk menghasilkan rerata & varian waktu
proyek

9
2
9
a d
9 c 3
0 0 5 8 20 g 24
1 0 4 5
0 b 20 4 24
e 6
0
10
4 3
14 0 f
14 3
7

Perkiraan Waktu Rata-

Aktivitas Varian Slack
a m b rata
a 5 8 17 9 4 0 0
b 7 10 13 10 1 10 10
c 3 5 7 5 4/9 0 0
d 1 3 5 3 4/9 8 8
e 4 6 8 6 4/9 0 0
 U = t12 + t23+ t34 + t45 = 9+5+6+4 = 24 minggu
f 3 3 3 3 0 7 7
 T = v12 + v23 +v34 +v45 = 4+4/9+4/9+1/9 = 4 minngu
g 3 4selesai dalam525 minggu? 4 1/9 0 0
Berapa probabiltas proyek
p(tp>=25) = P (z >25-U)/ (Sqrt(T2)
Lihat distribusi NORMAL DIMANA P=0,3264
Jadi probabiltas selesai = 1- 0,3264 = 0,6736 (67,36%)
 74

BAB VII
TRANSPORTASI
 75

Algoritma NWC:
o Pengisian dimulai dari kotak yang berada diposisi ujung kiri atas sampai posisi
ujung kanan bawah. Dimana posisi Persediaan merupakan Kolom dan Permintaan
pada Baris
o Isi kotak sesuai nilai terkecil dari persediaan atau permintaan, dimana nilai dari
persediaan dan permintaan dikurangi dengan nilai yang diisikan pada kotak
- Bila nilai persediaan bernilai nol maka pindah pengisian pada posisi kotak
disebelah kanan
- Bila nilai permintaan bernilai nol maka pindah pengisian pada posisi kotak
disebelah bawah
- Bila keduanya bernilai nol maka bisa dipilih pindah ke posisi kanan atau
posisi bawah
o Jumlah kotak yang terisi harus sebanyak jumlah kolom Persediaan + jumlah baris
Permintaan -1

Algoritma Metode Biaya terkecil

 76

o Cari posisi kotak dengan nilai biaya pengiriman yang terkecil, isi posisi kotak
tersebut dengan nilai terkecil dari persediaan atau permintaan pada posisi kotak
tersebut
o Ulangi langkah diatas untuk biaya terkecil berikutnya dengan syarat pada posisi
tersebut salah satu dari nilai permintaan atau persediaan tidak NOL. Bila nilai
keduanya NOL posisi tersebut bisa dipilih dan lakukan pengisian seperti diatas
o Pengisian dilakukan sampai jumlah kotak yang terisi sama dengan jumlah kolom
persediaan + jumlah baris permintaan – 1

Catatan:
- Bila jumlah permintaan > jumlah persediaan maka ditambahkan persediaan
dummy dengan nilai biaya pengirimannya adalah NOL
- Bila jumlah permintaan < jumlah persediaan maka ditambahkan permintaan
dummy dengan nilai biaya pengirimannya adalah NOL
77
 78

Metode yang digunakan untuk proses iterasi adalah:

- Metode Stepping Stone
- Metode MODI
- Metode VAM

VII.1. Metode Stepping Stone

Metode ini merupakan salah satu yang digunakan untuk menyelesaikan persoalan
Transportasi dengan cara sebagai berikut:
 Buat Segiempat dengan syarat sebagai berikut:
 Tiga ujung segiempat pada posisi kotak yang ada isinya dan satu ujung
pada posisi kotak yang kosong
 Bila jumlah biaya ujung diagonal yang terisi harus lebih besar dari jumlah
biaya ujung diagonal lain yang salah satunya berisi kotak kosong
 Bila lebih dari dari satu segiempat sebaiknya dipilih segiempat yang
mempunyai selisih total biaya diagonal yang terbesar.
 Beri tanda pada ujung diagonal kotak terisi dengan tanda – dan tanda + untuk ujung
diagonal lainya
 Pilih nilai terkecil pada isi kotak bertanda ─ dan gunakan nilai tersebut untuk
mengurangi nilai pada kotak yang bertanda – serta tambahkan pada kotak yang
bertanda +. Bila kotak yang dikurangi bernilai NOL hanya satu maka tidak perlu
ditulis, tetapi kalau keduanya NOL pilih salah satu.
 Proses diatas dilakukan sampai tidak bisa dibuat segiempat lagi
79
80
81
82
83
84
85
86
 87

Bab VIII. Analisis Keputusan

Analisa keputusan digunakan untuk menentukan keputusan yang akan diambil

dari beberapa pilihan, hal tersebut dipengaruhi oleh suasana keputusan yang terdiri dari:
a. Peristiwa Pasif (hanya satu pengambil keputusan yang aktif, tidak ada pesaing dan
keputusannya tidak berpengaruh terhadap peristiwa yang akan dihadapi)
1. Certainty
Jika semua informasi untuk membuat keputusan diketahui (tersedia) secara
sempurna & tidak berubah. Hasil keputusannya dijamin atau terkendali.
2. Risk
Jika semua informasi untuk membuat keputusan tidak diketahui secara
sempurna, tapi semua peristiwa yang akan terjadi diketahui probabilitasnya.
3. UnCertainty
Jika semua informasi untuk membuat keputusan tidak diketahui secara
sempurna, dan peristiwa yang akan terjadi tidak diketahui probabilitasnya,
tapi semua peristiwa yang mungkin terjadi diketahui.

Certainty Risk Uncertainty

Peristiwa/Hasil: Dijamin Probabilitas Ketidakpastian

b. Peristiwa Aktif (Conflict) (ada beberapa pengambil keputusan, terjadi pertarungan

dan juga memikirkan tindakan pesaingnya).
4. Conflict (game theory)
Keputusan dalam suasana konflik untuk memenangkan persaingan dalam
suasaan pasif & aktif.
 88

Sumber kerumitan masalah keputusan

o Ketidakpastian
o Ketidaksempurnaan informasi
o Beragamnya faktor yang berpengaruh terhadap pilihan
o Beragamnya kriteria pemilihan

VII.1. . Keputusan dalam Uncertainty (Ketidakpastian)

Keputusan dalam Uncertainty merupakan suatu keputusan yang tidak bisa
dipastikan kebenarannya, dimana mempunyai ciri-ciri sebagai berikut:
 Seluruh peristiwa yang mungkin terjadi dapat diketahui
 Tak dapat menetapkan probabilitas peristiwa
 Probabilitas hasil potensial tak diketahui (tak diperkirakan)

Contoh:
Mana yang terbaik menginvestasikan dana Rp.100jt dalam bentuk : saham, tanah,
atau tabungan jika pay-off (keuntungan) dari ketiga investasi didasarkan pada kondisi
ekonomi: cerah, sedang, lesu. Matrik pay-off dibuat berdasarkan pengalaman, data yang
tersedia, dan situasi saat ini yaitu;
Prospek Ekonomi
Alternatif Investasi
Cerah Sedang Lesu
Saham 10 6,5 -4
Tanah 8 6 1
Tabungan 5 5 5

Kriteria keputusan uncertainty adalah :

 Kriteria Maximin (Wald)
 Kriteria Maximax
 Kriteria Regret (Minimax) :
 Kriteria Hurwicz
 Kriteria Laplace (Equal Likehood)
Hasil keputusan uncertainty tidak dapat dijamin karena ketidaksempurnaan data.
 89

VII.1.1 Kriteria Maximin (Wald)

Asumsi : pengambil keputusan adalah pesimistik/risk avoider / konservatif
peristiwa yang paling tidak disukai akan terjadi
Kriteria : memilih nilai maksimum dari beberapa alternatif hasil terkecil.

Prospek Ekonomi
Alternatif Investasi
Cerah Sedang Lesu
Saham 10 6,5 -4
Tanah 8 6 1
Tabungan 5 5 5

Pilihan keputusan
Keputusan : Tabungan (karena pay-off terkecil=lesu, kriteria maksimum=5)

VII.1.2 Kriteria Maximax

Asumsi : pengambil keputusan adalah optimistik/risk taker
peristiwa yang paling disukai akan terjadi
Kriteria : memilih nilai maksimum dari beberapa alternatif hasil terbesar
Prospek Ekonomi
Alternatif Investasi
Cerah Sedang Lesu
Saham 10 6,5 -4
Tanah 8 6 1
Tabungan 5 5 5

Pilihan keputusan
Keputusan : Saham (karena pay-off terbesar=cerah, kriteria mkas=10)
VII .1.3 Kriteria Regret (Minimax)
 90

Asumsi : Opportunity loss, yaitu kerugian jika peristiwa menyebabkan alternatif

yang dipilih kurang dari pay-off maksimum.
Kriteria : Memilih nilai minimum dari regret maksimum
Prospek Ekonomi
Alternatif Regret
Cerah Sedang Lesu
Investasi Maks
Saham 9 10-10=0 6,5-6,5=0 5- -4=9
Tanah 4 10- 8=2 6,5- 6=0,5 5-1 = 4
Tabungan 5 10- 5=5 6,5- 5=1,5 5-5 = 0

Pilihan keputusan
Keputusan : Tanah (karena kriteria minimum=4 dari kerugian maksimum)
VII .1.4 Kriteria Hurwicz
Asumsi : Kompromi antara kriteria maximin dan maximax setiap alternatif pay-off
maksimum dikalikan dg koefisien optimisme a. Setiap alternatif pay-off
minimum dikalikan dg koefisien (1-a)
Kriteria : Memilih nilai maksimum dari nilai tertimbang berdasarkan koef optimisme
Prospek Ekonomi
Alternatif Nilai tertimbang
Cerah Sedang Lesu
Investasi (mis: koef optimisme a=0,6)
(max) (min)
Saham 10*0,6 + -4*(1-0,6) = 4,4 10 6,5 -4
Tanah 8 *0,6 + 1*(1-0,6) = 5,2 8 6 1
Tabungan 5 *0,6 + 5*(1-0,6) = 5 5 5 5

Pilihan keputusan
Keputusan : Tanah (karena nilai terimbang maks=5,2)

VIII.1.5 Kriteria Laplace (Equal Likehood)

Asumsi : Semua peristiwa mempunyai kemungkinan yang sama untuk terjadi.
Kriteria : Memilih nilai maksimum dari nilai tertimbang berdasarkan probabiltasnya.
 91

Prospek Ekonomi
Alternatif Nilai tertimbang
Cerah Sedang Lesu
Investasi (probabilitas sama yaitu 1/3)
Saham 10*1/3 + 6,5*1/3 + -4*1/3 = 4,2 10 6,5 -4
Tanah 8*1/3 + 6*1/3 + 1*1/3 = 5 8 6 1
Tabungan 5*1/3 + 5*1/3 + 5*1/3 = 5 5 5 5
Pilihan keputusan
Keputusan : Tanah dan Tabungan (karena nilai terimbang maks=5)

VIII.2. KEPUTUSAN DALAM SUASANA RISK

TAHAPAN ANALISIS:
 Identifikasi macam tindakan
 Identifikasi peristiwa dan pendugaan probabilitasnya
 Pay-off untuk suatu tindakan dan peristiwa ditentukan

Contoh:
Mana alternatif investasi terbaik (A,B,C) pada dua kondisi pasar yang dinyatakan
dengan pay-off berikut;
Alternatif Prospek pasar
Investasi Cerah (p2=0,6) Lesu (p1=0,4)

A 50.000 -10.000
B 15.000 60.000
C 100.000 10.000

KRITERIA KEPUTUSAN RISK

1. Kriteria Expected Value (EV)
2. Kriteria Expected Opportunity Loss (EOL)
3. Kriteria Expected Value of Perfect Information (EVPI)
4. Keputusan dengan informasi tambahan
5. Kriteria utility dalam suasana risk
 92

VIII.2.1 Kriteria Expected Value (EV)

EV= memilih keuntungan maksimum dari setiap kombinasi tindakan peristiwa
Alternatif Prospek pasar
Investasi Cerah (p2=0,6) Lesu (p1=0,4) EV (nilai keuntungan)

A 50.000 -10.000 50.000*0,6+-10.000*0,4 =26.000

B 15.000 60.000 15.000*0,6+ 60.000*0,4 =31.000

C 100.000 10.000 100.000*0,6+10.000*0,4=64.000

Keputusan = C (karena nilai keuntungan tertinggi)

VII.2.2 Kriteria Expected Opportunity Loss (EOL)

EOL = Memilih kerugian minimum yang disebabkan pemilihan alternatif setiap
keputusan.
Alternatif Prospek pasar
Investasi EOL (nilai kerugian)
Cerah (p2=0,6) Lesu (p1=0,4)
A 100.000-50.000= 50.000 60.000- -10.000=70.000 50.000*0,6 + 70.000*0,4 =58.000
B 100.000-15.000= 85.000 60.000 - 60.000=0 85.000*0,6 + 0 *0,4 =51.000
C 100.000-00.000=0 60.000 - 10.000=50.000 0*0,6 + 50.000*0,4=20.000
Keputusan = C (karena nilai kerugiannya terendah)

VII.2.3 Kriteria Expected Value of Perfect Information (EVPI)

EVPI = EV(dg informasi sempurna) – EV (dg info tak sempurna)
Alternatif Prospek pasar
Investasi Cerah (p2=0,6) Lesu (p1=0,4)

A 50.000 -10.000
B 15.000 60.000
C 100.000 10.000

EV (dengan informasi sempurna):

 93

e(C) = 0,6*100.000 + 0,4*60.000 = 84.000

EV (dengan informasi tidak sempurna):
e(C) = 0,6*100.000 + 0,4*10.000 = 64.000
EVPI = 84.000 – 64.000 = 20.000 (biaya untuk mendapatkan info sempurna)=EOL

VII.2.4 Keputusan dengan informasi tambahan

 Mendapatkan informasi sempurna dimasa depan sulit diperoleh, tetapi mendapat
tambahan info tak sempurna utk memperbaiki keputusan adalah sangat mungkin.
 Teori Bayes : nilai informasi tambahan yang tak sempurna dapat diduga
posterior probabilities = dapat merevisi prior probabilities
Contoh :
P(O/C) P(C) 0,8 x 0,6
P(C/O) = = = 0,923
(O/C) P(C) + P (O/L) P(L) 0,8x0,6 + 0,1x0,4

Artinya: Prior probability Pasar Cerah =0,6, dengan tambahan ramalan konsultan
optimistik maka posterior probability Pasar cerah menjadi = 0,923

 Dari soal sebelumnya, prior probabilitas setiap pasar adalah;

 Probabilitas pasar Cerah : P(C)=0,6
 Probabiltas pasar Lesu : P(L)=0,4
 Dengan menambah informasi dari konsultan, maka ramalan optimistik dan
dinyatakan dengan Conditional probability sbb;
 Probabiltas Optimistik pasar Cerah : P(O/C) =0,8
 Probabiltas Pesimistik pasar Cerah : P(P/C) =0,2
 Probabiltas Optimistik pasar Lesu : P(O/L) =0,1
 Probabiltas Pesimistik pasar Lesu : P(P/L) =0,9
 Hitung posterior probabilitas
 Hitung expected value dari setiap node
 Susun dengan decision tree
 94

P(C/O)=0,923 50.000
43.380
4
A P(L/O)=0,077 -10.000
93.070 15.000
18.465
B
2 5
60.000
C
Ramalan Optimistik
P(O) = 0,52 93.070
6
71.796
10.000
1

Ramalan Pesimistik P(C/P)=0,25 50.000

5.000
P(O) = 048
7
A
48.750
48.750
B 15.000
3 8

C
32.500
9

10.000

Perhitungan:
P(C/O) =P(O/C).P(C) / {P(O/C).P(C)+P(O/L).P(L)}=0,8 . 0,6 / {0,8 . 0,6 +0,1 . 0,4)}
= 0.48/0,52=0,923
P(L/O) =1 – P(C/O) = 0,077
P(C/P) = P(P/C).P(C) / {P(P/C).P(C) + P(P/L).P(L)}=0,2 . 0.6 / {0,2 .0,6 +0,9 . 0,4)}
= 0,12/0,48=0,25
P(L/P) =1 - P(C/P) =0,75
P(O) = P(OC) + P(OL)
= { P(O/C).P(C) } + { P(O/L).P(L) } = 0,8 x .0,6 + 0,1 x 0,4 = 0,52
P(P) = 1 – P(O) = 0,48
Ramalan Optimistis dg Nilai Ekspektasi utk setiap keputusan pada pilihan A,B,C :
e(A) = 0,923 x 50.000 + 0,077 x –10.000 = 45.380
e(B) = 0,923 x 15.000 + 0,077 x 60.000 = 18.465
e(C) = 0,923 x 100.000 + 0,077 x 10.000 = 93.070 (pilihan terbaik/ tertinggi = e(O))
 95

Ramalan Pesimistis dg Nilai Ekspektasi utk setiap keputusan pada pilihan A,B,C :
e(A) = 0,25 x 50.000 + 0,75 x –10.000 = 5.000
e(B) = 0,25 x 15.000 + 0,75 x 60.000 = 48.750 (pilihan terbaik/ tertinggi = e(P))
e(C) = 0,25 x 100.000 + 0,75 x 10.000 = 32.500
Jadi e(Strategi) = P(O).e(O) + P(P).e(P) = 0,52 x 93.070 + 0,48 x 48.750 = 71.796
EVSI (Expected Value of Sample Information) = e(Strategi) – e(Tertinggi)
= 71.796 – 64.000 = 7.796
Efisiency of sample information = EVSI/EVPI = 7.796/20.000 = 39%
Ket: O:Optimistik P:Pesimistik C:Cerah L:Lesu

VII.2.5 Kriteria utility dalam suasana risk

o Dalam praktek mengambil keputusan, tidak hanya didasarkan pada;
o keuntungan (expected value) tertinggi atau
o kerugian (expexted cost) terendah
o Tetapi ada pertimbangan lain yaitu;
o risk averse (keamanan)
o risk seeking (gambling)
o Utility (ukuran kesenangan)
o ukuran tingkah laku menurut Von Noumann & Morgenstern
o expexted utility serupa dengan expexted value
o Kurva utility (preferensi) adl alat utk mengkonversi pay-off dg utility

Contoh: keputusan dg kriteria utility:risk averse

Tabel : Pay off Asuransi Kecelakaan
Alternatif Peristiwa
Keputusan
Selamat (p1=0.98) Celaka (p2=0,02)
Membeli Polis -3.000.000 -3.000.000 +100.000.000
Tidak Beli 0 -100.000.000
Expected value :
E(Judi) = 0,99 x -1.000 + 0,001 x 59.000 = - 400
E(Tidak Judi) = 0,99 x 0 + 0,001 x 0 = 0
Keputusan: Berdasarkan expected value, orang seharusnya tidak judi, tetapi
kenyataannya undian cukup diminati.
 96

Contoh: keputusan dg kriteria utility:risk seeking

Kadang ada orang lebih memilih mendapatkan rejeki nomplok dibanding
mempertahankan uang sedikit yang dimiliki (kepribadian risk seeking)
Contoh orang mau membeli Undian
Tabel : Pay off Undian
Alternatif Peristiwa
Keputusan
Kalah (p1=0.99) Menang (p2=0,01)
Judi -1.000 -1.000 + 60.000
Tidak Judi 0 0

Expected value :
E(Judi) = 0,99 x -1.000 + 0,001 x 59.000 = - 400
E(Tidak Judi) = 0,99 x 0 + 0,001 x 0 = 0
Keputusan = Berdasarkan expected value, orang seharusnya tidak judi, tetapi
kenyataannya undian cukup diminati.

VII.3. Teori Game

Teori Game adalah analisis keputusan dalam suasana konflik, yaitu pengambil
keputusan lebih dari satu dengan ketidaksempurnaan informasi.
Penggolongan berdasarkan:
1. Jumlah pemain
 Two-person games
 N-person games
2. Jumlah pay-off
 Zero and constant sum games
 Non zero and non constant sum games
3. Strategi
 Cooperative
 Non cooperative
 97

Matrik Pay-off Game

Matrik pay-off adalah matrik perolehan keuntungan
contoh 1 :Game perebutan pasar antara A & B dengan dua strategi sbb (non zero and
non constant sum games)

Perusahaan B
Perbaikan mutu Perluasan Distribusi
Potongan Harga 1, 2 0 , 1
Perusahaan A Iklan Gencar 2, 1 1 , 0

Perusahaan A memiliki strategi : Potongan harga & iklan gencar

Perusahaan B memiliki strategi : Perbaikan mutu & Perluasan distribusi
Jika A memilih strategi harga dan B memilih mutu, maka A mendapat nilai 1 dan B
mendapat nilai 2
Strategi dominan bagi A adalah : Mutu (karena selalu lebih besar dibanding pilihan A)
Strategi dominan bagi B adalah Iklan
: (karena selalu lebih besar dibanding apapun pilihan B)
Contoh-2: Game perebutan pasar antara A & B dengan dua strategi (zero and constant
sum games)

Perusahaan B
Perbaikan mutu Perluasan Distribusi
Potongan Harga 8% , -8% 4% , -4%
Perusahaan A
Iklan Gencar 7% , -7% 3,5% , -3,5%

Jika A memilih strategi harga dan B memilih mutu, maka pangsa pasar A bertambah 8%
dan pangsa pasar B berkurang 8%.
Jumlah pay-off (8%-8%=0), sementara pangsa pasar tetap=100%
Matrik pay-off diatas biasa dtulis sbb (ditulis disamping: keuntungan, diatas:kerugian)
Perusahaan B
Perbaikan mutu Perluasan Distribusi
Potongan Harga 8% 4%
Perusahaan A
Iklan Gencar 7% 3,5%
 98

Prinsip Maximin & Minimax

Perusahaan B
Perbaikan mutu Perluasan Distribusi Iklan

Perusahaan A Potongan Harga 8 4 7,5

7 3,5 3
Iklan Gencar

Perusahaan A pesimistik, shg memilih strategi maximin (keuntungan max)

Perusahaan B optimistik, shg memilih strategi minimax (kerugian min)
A: maximin = max(4,3) = 4
B: minimax = min(8, 4, 7.5) =4
Karena A & B mendapatkan nilai sama, maka permainan dikatakan stabil (seimbang),
nilai maximin= minimax yaitu 4 (saddle point atau value of games)

Peranan Dominasi
Perusahaan B
Perbaikan mutu Perluasan Distribusi Iklan

Potongan Harga 8 4 7,5

Perusahaan A
7 3,5 3
Iklan Gencar

Suatu strategi yang didominasi secara sempurna oleh strategi lain, maka strategi tersebut
dapat dihapus dari matrik pay-off yang berfungsi untuk mengurangi ukuran matrik pay-
off.
A: strategi iklan bisa dihapus (krn apapun yg dipilih B, Harga lebih max)
B: strategi mutu bisa dihapus (krn kerugian mutu selalu lebih besar)
8 4 7,5
7 3,5 3
 99

MIXED STRATEGI
 Asumsi: Tidak ada pemain yang tahu strategi apa yg dipilih pemain lain sehingga
tidak ada titik keseimbangan/sadle point
 Langkah : 1. Cek minimax#maximin
2. Strategi dominan utk mengurangi matrik
3. Hitung expected gain & loss (utk dua strategi)
W X Y Z MaxMin
A -2
B -7 4 -7
C -5
D 4 -1 -1
Minimax 4 8 4 10

Jika probabilitas A menggunakan B adalah p, maka probabilitas menggunakan D adalah

(1-p). Sehingga Expected gain A, jika B menggunakan w adalah –7p + 4(1-p) dan
Expected gain A, jika B menggunakan y adalah 4p + -1(1-p).
Karena mixed strategi, apapun pilihan B berakibat sama bagi A, maka
–7p + 4(1-p) = 4p + -1(1-p) shg p=5/16 =0,3125
A menggunakan strategi B sebanyak 0,3125 dari waktu, D sebanyak 0,6875 secara
random
Jika probabilitas B menggunakan w adalah q, maka probabilitas menggunakan y adalah
(1-q). Sehingga Expected loss B, jika A menggunakan B adalah –7q + 4(1-q) dan
Expected loss B, jika A menggunakan D adalah 4q + -1(1-q)
Karena mixed strategi, apapun pilihan A berakibat sama bagi B, maka
–7q + 4(1-q) = 4q + -1(1-q) shg q=5/16 =0,3125
B menggunakan strategi w sebanyak 0,3125 dari waktu, y sebanyak 0,6875 secara
random
Expexted gain bagi A atau expexted gain bagi B adalah = -7*5/16 + 4*(1-5/16) = 9/16
Artinya:
Jika pertarungan dilakukan berulang kali, maka rata2 tambahan pangsa pasar A atau
penurunan pasar B adalah 9/16 (=56,25%)
 100

Jika pertarungan hanya sekali, maka terjadi pure strategi tunggal bagi setiap perusahaan
dan salah satu perusahaan akan dirugikan.

Contoh DILEMA TAHANAN :

Dua tawanan bersekongkol melakukan kejahatan sedang diinterogasi secara terpisah. Jika seorang
tahanan mengakui dan yang lain menyangkal maka yang mengakui dibebaskan dan yang
menyangkal dipenjara 6 bulan.

Tawanan B

Mengakui Menyangkal

Mengakui -3 , -3 0 , -6
Tawanan A
Menyangkal -6 , 0 -1 , -1

Jika B menyangkal, maka A lebih baik mengakui sebab A dapat bebas

Jika B mengakui, maka A lebih baik mengakui sebab hukumannya lebih ringan
Jadi apapun yang dilakukan B, maka A lebih baik mengakui (strategi dominan)
Hal yang sama berlaku juga bagi B
Robert Axelrod (1984), strategi tit-for-tat (pemaaf sekaligus pendendam):
Jika game berulang, maka pada putaran :
Pertama : strategi cooperatif (menyangkal)
Selanjutnya : jika lawan menunjukan cooperatif, maka ditanggapi cooperatif
jika lawan noncooperatif (mengakui), maka ditanggapi noncooperatif

VII.4. Analytical Hierarchy Process (AHP)

AHP adalah analisis keputusan jika sumber kerumitannya adalah beragam
kriterianya yang diperkenalkan oleh Thomas L.Saaty (1971-1975).
Sifat dari AHP:
 Mengandalkan intuisi (dari expert) sebagai masukan utamanya
 Suatu teori umum tentang pengukuran dengan skala rasio (perbandingan dari ukuran
aktual atau skala dasar yang mencerminkan kekuatan perasaan atau preferensi relatif)
 101

 Penyimpangan dari konsistensi, pengukuran, dan ketergantungan didalam dan

diantara kelompok elemen strukturnya.
 Menjelaskan hubungan konsistensi dan eigen vektor
 Memilih berdasarkan prioritas yang disusun dari kriteria
Skala ukur dari AHP
 Panjang (meter), temperatur (derajat), berat (kg), waktu (jam), uang (Rp)
 Rasa aman, kesenangan, dampak kerugian (?)
Cara untuk mengukur suatu tindakan lebih baik dari tindakan lainnya adalah
sangat sulit karena:
1. Pengaruh itu tidak dapat dibandingkan, karena satuan ukuran/bidang berbeda
2. Pengaruh itu bisa saling bentrok (perbaikan pengaruh dapat dicapai dengan
perburukan pengaruh yang lain)
3. Menyulitkan dalam membuat ekuivalensi antar pengaruh
Cara untuk mengatasi hal tersebut diperlukan alat pengukur yang luwes yaitu
Prioritas (ukuran abstrak yang berlaku untuk semua ukuran)
Contoh:
Dalam memutuskan membeli rumah, ada tiga kriteria utama yaitu Lingkungan (L), Waktu
tempuh (W), Biaya transport (T)
Mana yang lebih penting & berapa kali lebih penting ?
L=1 W=2 x L T=4 x L
Prinsip AHP
 Decomposition
Memecah persoalan utuh menjadi unsur-unsurnya sampai tidak mungkin
dilakukan pemecahan lagi, sehingga didapatkan tingkatan (hirarki) persoalan.
 Comperative Judgment
Membuat penilaian kepentingan antara elemen pada suatu tingkat dengan elemen
pada tingkat atasnya. (matriks pairwais comparison)
 Synthesis of Priority
Menyusun global priority dari local priority (eigen vector matriks setiap tingkat)
berdasarkan priority setting.
 102

 Logical Consistensy
- Objek-objek serupa dikelompokan sesuai keseragaman & relevansi
- Objek- objek diberi tingkat hubungan berdasarkan kriteria tertentu
Decomposition
- Memecah persoalan utuh menjadi unsur-unsurnya sampai tidak mungkin
dilakukan pemecahan lagi, sehingga didapatkan tingkatan (hirarki) persoalan.
- Hirarki ada dua yaitu;
1. Hirarki lengkap = jika semua elemen pada suatu tingkat memiliki
elemen pada tingkat berikutnya.
2. Hirarki tak lengkap = idem sebaliknya
Tingkatan uraian:
1. Fokus (tujuan menyeluruh)
2. Kriteria (dan subkriteria-2)
3. Alternatif
Comperative Judgment
 Membuat penilaian kepentingan antara elemen pada suatu tingkat dengan elemen
pada tingkat atasnya.
 Untuk menyusun skala kepentingan, biasa digunakan pertanyaan:
- Elemen mana yang lebih penting (disukai/mungkin/...) ?
- Berapa kali lebih penting ?
 Untuk menjawab diperlukan pengetahuan menyeluruh tentang elemen dan
relevansinya terhadap kriteria atau tujuannya.
 Hasil penilainya setiap tingkat dinyatakan dalam bentuk matriks pairwais
comparison
 Tabel : Skala dasar utk menyusun skala kepentingan
Tingkat Kepentingan 1Definisi
1 Sama pentingnya dibanding yang lain
3 Moderat pentingnya
5 Kuat pentingnya
7 Sangat kuat pentingnya
9 Ekstrim pentingnya
2,4,6,8 Nilai diantara dua penilaian yang berdekatan
 103

Matriks Pairwise Comparison

 Berlaku aksioma reciprocal, yaitu jika elemen i dinilai 3 kali lebih penting dari j,
maka elemen j harus sama dengan 1/3 kali pentingnya elemen i.
 Perbandingan elemen yang sama menghasilkan nilai 1 (sama penting)
 Bisa juga elemen berbeda menghasilkan nilai 1
 Jika ada n elemen maka diperoleh matriks ukuran n x n
 Banyaknya penilaian yang diperlukan adalah n (n-1)/2{ karena reciprocal &
elemen yang sama (diagonal) nilainya 1 }
Kriteria L W T Prioritas

Lingkungan (L) 1 1/2 1/2 ?

Waktu (W) 2 1 1/4 ?
Biaya transport (T) 4 2 1 ?

Eigen Vector & Eigen Value

 A adalah matrik pairwise comparison yang berisi abk
o abk adalah kekuatan elemen pada tingkatan wb dibanding wk
o wi adalah bobot dari masing-2 elemen Ci
 abk = wb/wk b,k = 1.....n n=jumlah elemen kriteria per tingkat bk.
(wb/wk) = 1
 å abk.wb.1/wk = n
 å abk.wb = n. wk
 Dalam bentuk matrik : A.w = n.w
 w: eigen vektor, n: eigen value dari matrik A

Jika abk tidak didasarkan pada wi tetapi pada penilaian subjektif maka, abk akan
menyimpang dari rasio wb/wk sesungguhnya sehingga A.w=n.w tidak terpenuhi

AHP untuk penentuan prioritas

 Studi kasus:
Memilih rumah A,B,C yang didasarkan pada kriteria Lingkungan, Waktu tempuh,
dan Biaya transportasi.
 Langkah-1: dekomposisi
Tingkat-1
Fokus : Pemilihan Rumah Tinggal
Tingkat-2
Kriteria : Lingkungan Waktu tempuh Biaya Transport
Tingkat-3
Alternatif: A B C
 104

 Langkah –2 : Membuat matriks pairwise comparison (4 matrik: Fokus,

ingkungan, Waktu, Biaya Transport)
 Langkah –3 : Mengisi tingkat kepentingan (elemen matrik)
 Langkah –4: Memeriksa konsistensi matrik (aij x ajk = aik)
(L,T) = (L,W) x (W,T) = ½ x ½ = ¼
 Langkah –5: Menghitung skala prioritas (dg eigen vektor)

Hal yang harus dilakukan adalah sebagai berikut:

 Unsur setiap baris dicari rata-2nya
 Normalisasi matrik (membagi setiap unsur kolom dg jumlah kolom

Fokus L W T Prioritas
Lingkungan (L) 1 1/2 1/4 0,14
Waktu (W) 2 1 1/2 0,29
Biaya Transport (T) 4 2 1 0,57

1/7 1/7 1/7 PL =(1/7 + 1/7 + 1/7 ) / 3 = 0,14

2/7 2/7 2/7 PW=(2/7 + 2/7 + 2/7) / 3 = 0.29
4/7 4/7 4/7 PT =(4/7 + 4/7 + 4/7) / 3 = 0,57

Matrik PC utk Lingkungan

Lingkungan A B C Prioritas
A 1 1/2 1/4 0,13
B 2 1 1/4 0,21
C 4 4 1 0,66
7 11/2 3/2

1/7 1/11 1/6 PL =(1/7 + 1/11 + 1/6 ) / 3 = 0,13

2/7 2/11 1/6 PW=(2/7 + 2/11 + 1/6) / 3 = 0.21
4/7 8/11 4/6 PT =(4/7 + 8/11 + 4/6) / 3 = 0,66

Matrik PC utk Waktu Tempuh

Lingkungan A B C Prioritas
A 1 0,1
B 1 0,33
C 1 0,57
7 11/2 3/2
 105

PL =(1/7 + 1/11 + 1/6 ) / 3 = 0,13

PW=(2/7 + 2/11 + 1/6) / 3 = 0.21
PT =(4/7 + 8/11 + 4/6) / 3 = 0,66