BAB II

LANDASAN TEORI

2.1 LINEAR PROGRAMMING

2.1.1 Pengertian Model Optimasi

Model Optimasi, yaitu suatu model pengambilan keputusan yang menguraikan

individu-individu seharusnya berperilaku agar memaksimumkan semua hasil.
Model ini menggambarkan bagaimana setiap individu berperilaku sehingga
memberikan hasil yang optimal (Yusfi, 2011).

Keputusan adalah hasil pemecahan masalah yang dihadapinya dengan tegas. Hal
itu berkaitan dengan jawaban atas pertanyaan-pertanyaan mengenai ‘apa yang harus
dilakukan’ dan seterusnya mengenai unsur-unsur perencanaan, dapat juga
dikatakan bahwa keputusan itu sesungguhnya merupakan hasil proses pemikiran
yang berupa pemilihan satu diantara beberapa alternatif yang dapat digunakan
untuk memecahkan masalah yang dihadapinya. Pengambilan keputusan (desicion
making) itu sendiri adalah melakukan penilaian dan menjatuhkan pilihan.
Keputusan ini diambil setelah melalui beberapa perhitungan dan pertimbangan
alternatif.

Pengambilan keputusan adalah sebagai pemilihan yang didasarkan kriteria tertentu

atas dua atau lebih alternatif yang mungkin (Terry dalam Fendy, 2011).
Pengambilan keputusan itu dikerjakan oleh kebanyakan manajer berupa suatu
kesadaran, kegiatan pemikiran yang termasuk pertimbangan, penilaian, dan
pemilihan diantara sejumlah alternatif (Goerge dalam Fendy, 2011). Pengambilan
keputusan adalah pemilihan diantara alternatif mengenai suatu cara bertindak yaitu
inti dari perencanaan, suatu rencana tidak dapat dikatakan tidak ada jika tidak ada
keputusan, suatu sumber yang dapat dipercaya, petunjuk atau reputasi yang telah
dibuat (Horold dan l O’Donnell dalam Fendy, 2011). Pengambilan keputusan
adalah suatu pendekatan sistematis terhadap suatu masalah, pengumpulan fakta dan
data, penelitian yang matang atas alternatif dan tindakan (Siagian dalam Soetopo,
2010:145).

1
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Berdasarkan dari pengertian-pengertian diatas, dapat ditarik kesimpulan bahwa

bahwa keputusan itu diambil dengan sengaja, tidak secara kebetulan, dan tidak
boleh sembarangan. Masalahnya telebih dahulu harus diketahui dan dirumuskan
dengan jelas, sedangkan pemecahannya harus didasarkan pemilihan alternatif
terbaik dari alternatif yang ada.

2.1.2 Tujuan Pengambilan Keputusan

Kegiatan-kegiatan yang dilakukan dalam organisasi itu dimaksudkan untuk

mencapai tujuan organisasinya yang dimana diinginkan semua kegiatan itu dapat
berjalan lancar dan tujuan dapat dicapai dengan mudah dan efisien. Namun, kerap
kali terjadi hambatan-hambatan dalam melaksanakan kegiatan. Ini merupakan
masalah yang hatus dipecahkan oleh pimpinan organisasi. Pengambilan keputusan
dimaksudkan untuk memecahkan masalah tersebut (Firmansyah, 2010).

2.1.3 Kelebihan dan Kekurangan Keputusan yang Dibuat oleh Individu

a. Kelebihan Keputusan yang Dibuat oleh Individu
1. Keputusannya cepat ditentukan atau diambil, karena tidak usah
menunggu persetujuan dari rekan lainnya.
2. Tidak akan terjadi pertentangan pendapat
3. Kalau pimpinan yang mengambil keputusan itu mempunyai
kemampuan yang tinggi dan berpengalaman yang luas dalam bidang
yang akan diputuskan, keputusannya besar kemungkinan tepat.

b. Kelemahan Keputusan yang Dibuat oleh Individu

1. Bagaimana kepandaian dan kemampuan pimpinan tetapi pasti memiliki
keterbatasan.
2. Keputusan yang terlalu cepat diambil dan tidak meminta pendapat orang
lain seringkali kurang tepat.
3. Jika terjadi kesalahan pengambilan keputusan merupakan beban berat
bagi pimpinan seorang diri.

2
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

2.1.4 Hal-hal yang Mempengaruhi Pengambilan Keputusan Individu

Berikut ini merupakan lima faktor perilaku yang mempengaruhi pengambilan
keputusan yaitu (Tampubolon, 2004:108-111):

a. Nilai
Pengaruh nilai terhadap proses pengambilan keputusan adalah dalam
menetapkan sasaran, pertimbangan nilai perlu sekali mengenai dalam
pemilihan kesempatan dan penetuan probilitas, dalam mengembangkan,
nilai orang yang mengambil keputusan mempengaruhi alternatif mana yang
akan dipilih, apabila melaksanakan keputusan, nilai sangat perlu dalam
memilih cara melaksankan keputusan tersebut dalam fase evaluasi dan
pengendalian. Pertimbangan nilai tidak dapat dihindari bila terjadi tindakan
koreksi.
b. Kepribadian
Para pengambil keputusan dipengaruhi oleh banyak kekuatan psikologis
baik disadari atau tidak. Salah satunya yang terpenting adalah
kepribadiannya yang sangat jelas tergambar dalam pilihannya. Hubungan
antara kepribadian dan proses pengambilan keputusan mungkin berbeda-
beda.
c. Kecenderungan akan Resiko
Umumnya diketahui bahwa para pengambil keputusan berbeda-beda sekali
dalam kecenderungan mereka mengambil resiko. Satu segi khusus
kepribadian sangat mempengaruhi pengambilan keputusan. Seorang
pengambil keputusan yang agak segan mengambil risiko akan menetapkan
sasaran yang berbeda dalam mengevalusi alternatif secara berbeda juga,
serta memilih alternatif yang juga berbeda dari orang lain dalam
pengambilan keputusan walaupun dalam situasi yang sama, tetapi sangat
segan mengambil resiko.
d. Kemungkinan Ketidakcocokan
Para ahli perilaku telah memusatkan perhatiannya pada terjadinya
kegelisahan kepada orang setalah pengambilan keputusan. Hal tersebut
dikatakan sebagai disonansi kogntif atau ketidakcocokan kognitif. Teorinya
mengatakan bahwa seringkali terdapat kekurangankonsisten atau harmoni

3
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

diantara berbagai macam kognisi seseorang, misalnya sikap, kepercayaan

dan sebgainya. Sesudah keputusan itu diambil. Pengertianny, akan terjadi
konflik antara apa yang diketahui dan diyakini oleh pengambil keputusan
dan apa yang telah dilakukan, yang mengakibatkan si pengambil keputusan
menjadi ragu-ragu dan mempunyai pikiran lain mengenai pikiran yang telah
diambilnya.
e. Bentuk Pengambilan Keputusan
Didalam organisasi, proses pengambilan keputusan sangat tergantung pada
individu dan kelompok. Keputusan individu dan kelompok pada saat-saat
tertentu dapat saja bertentangan, sehingga efektivitas keputusan yang
diambil tidak maksimal. Keadaan seperti ini dapat mempengaruhi kinerja
organisasi yang tidak juga maksimal.

2.1.5 Langkah-langkah dalam Model Optimasi

Keputusan-keputusan yang diambil merupakan perwujudan kebijakan yang telah
digariskan, oleh karena itu analisis proses pengambilan keputusan pada hakikatnya
sama saja dengan analisis proses kebijakan. Proses pengambilan keputusan meliputi
(Maulana, 2010):
a. Lakukan kebutuhan akan suatu keputusan
Langkah ini diperlukan pengakuan tentang kebutuhan keputusan yang
dibuat. Masalah yang merupakan perbedaan antara keadaan yang diinginkan
dengan keadaan yang sebenarnya diperlukan adanya pengakuan.
b. Menentukan kriteria yang diputuskan
Langkah ini merupakan kriteria yang penting dan relefan dalam menentukan
keputusan harus diidentifikasikan.
c. Menentukan kriteria yang berbobot
Kriteria yang telah disusun tidak semuanya mempunyai arti penting yang
sama dan harus ditetapkan bobotnya sehingga pengambil keputusan dapat
menggunakan preferensi mereka untuk memprioritaskan kriteria mana yang
relevan maupun untuk menyatakan derajat relatif pentingnya memberikan
suatu bobot kepada masing-masing.

4
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

d. Mengembangkan alternatif
Hal ini menandakan bahwa pengambil keputusan mendaftar semua
alternatif. Alternatif yang dipilih atau terpilih menentukan keberhasilan
pemecahan masalah.
e. Menilai beberapa alternatif
Sebuah alternatif harus ditentukan oleh pengambil keputusan. Kuat atau
lemahnya setiap alternatif akan menjadi bahan perbandingan terhadap
kriteria dan bobot yang telah ditetapkan dalam langkah kedua dan ketiga.
Penilaian setiap alternatif dilakukan dengan menilai terhadap bobot kriteria.
f. Memilih alternatif
Langkah ini adalah langkah memilih yang terbaik diantara alternatif-
alternatif yang dinilai dari total skor yang tertinggi, maka akan memudahkan
terhadap alternatif manakah yang dipilih. Menyusun alternatif dengan
memperhitungkan untung rugi untuk setiap alternatif dengan
mempertimbangkan atau memperhitungkan atau memperkirakan
kemungkinan timbulnya macam macam kejadian yang akan datang yang
merupakan dampak dari kejadian terhadap alternatif yang dirumuskan akan
didapat keputusan optimal, karena setidaknya telah memperhitungkan
semua fakta yang berkaitan dengan keputusan tersebut (memaksimalkan
hasil keputusan).

2.1.6 Unsur-unsur utama Model Optimasi

a. Variabel Keputusan
Variabel keputusan adalah variabel persoalan yang akan mempengaruhi
nilai tujuan yang hendak dicapai di dalam proses permodelan, penemuan
variabel keputusan tersebut harus dilakukan terlebih dahulu sebelum
merumusakan fungsi tujuan dan kendala-kendalanya.
b. Tujuan
Model optimasi mengamsumsikan bahwa tidak ada perbedaan atas semua
tujuan, namun yang terpenting adalah memberikan hasil yang maksimum.
c. Kendala
Kendala dapat diumpamakan sebagai suatu pembatas terhadap kumpulan
keputusan yang mungkin dibuat dan harus dituangkan ke dalam fungsi

5
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

matematika linear. Hal ini sesuai dengan dalil-dalil matematika, ada tiga
macam kendala yaitu:
1. Kendala berupa pembatas
2. Kendala berupa syarat
3. Kendala berupa keharusan

Ketiga macam kendala tersebut akan selalu dijumpai di dalam setiap

susunan kendala kasus baik sejenis maupun gabungan dari ketiganya.

2.1.7 Linear Programming

Linear programming adalah suatu teknis matematika yang dirancang untuk
membantu manajer dalam merencanakan dan membuat keputusan dalam
mengalokasikan sumber daya yang terbatas untuk mencapai tujuan perusahaan.

Tujuan perusahaan pada umumnya adalah memaksimalisasi keuntungan, namun

karena terbatasnya sumber daya, maka dapat juga perusahaan meminimalkan biaya.

Linear Programming memiliki empat ciri khusus yang melekat, yaitu:

a. Penyelesaian masalah mengarah pada pencapaian tujuan maksimisasi atau
minimisasi.
b. Kendala yang ada membatasi tingkat pencapaian tujuan.
c. Ada beberapa alternatif penyelesaian.
d. hubungan matematis bersifat linear.

Secara teknis, ada lima syarat tambahan dari permasalahan linear programming
yang harus diperhatikan yang merupakan asumsi dasar, yaitu:
a. Certainty (kepastian) adalah fungsi tujuan dan fungsi kendala sudah
diketahui dengan pasti dan tidak berubah selama periode analisa.
b. Proportionality (proporsionalitas) adalah adanya proporsionalitas dalam
fungsi tujuan dan fimgsi kendala.
c. Additivity (penambahan) adalah aktivitas total sama dengan penjumlahan
aktivitas individu.
d. Divisibility (bisa dibagi-bagi) maksudnya adalah solusi tidak harus
merupakan bilangan integer (bilangan bulat), tetapi bisa juga berupa
pecahan.

6
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

e. Non-negative variable (variabel tidak negatif) artinya bahwa semua nilai

jawaban atau variabel tidak negatif.

2.2 LINEAR PROGRAMMING (METODE SIMPLEKS)

2.2.1 Definisi Linear Programming

Linear Programming atau Pemrograman Linier (PL) merupakan metode matematik

dalam mengalokasikan sumber daya yang terbatas untuk mencapai suatu tujuan
seperti memaksimumkan keuntungan dan meminimumkan biaya. Pemrograman
Linier banyak diterapkan dalam masalah ekonomi, industri, militer, social dan lain-
lain. Pemrograman Linier berkaitan dengan penjelasan suatu kasus dalam dunia
nyata sebagai suatu model matematik yang terdiri dari sebuah fungsi tujuan linier
dengan beberapa kendala linier (Siringoringo, 2005).

Linear Programming atau pemrograman linier berasal dari kata pemrograman dan
linear. Pemograman artinya perencanaan, dan linear berarti bahwa fungsi-fungsi
yang digunakan merupakan fungsi linier. Jadi secara umum linear programming
adalah suatu teknik perencanaan yang bersifat analitis yang analisisnya memakai
model matematika, dengan tujuan menemukan beberapa kombinasi alternatif
pemecahan masalah, yang kemudian dipilih yang terbaik yang diantaranya dalam
rangka menyusun langkah-langkah kebijaksanaan lebih lanjut tentang alokasi
sumber daya dan dana yang terbatas guna mencapai tujuan dan sasaran yang
diinginkan secara optimal (Anugerah Ayu, 1996).

Linear Programming merupakan suatu model umum yang dapat digunakan dalam
pengalokasian sumber-sumber yang terbatas secara optimal. Masalah tersebut
timbul apabila seseorang diharuskan untuk memilih atau menentukan tingkat setiap
kegiatan yang akan dilakukan, dimana masing-masing kegiatan membutuhkan
sumber yang sama sedangkan jumlahnya terbatas (Wikipedia, 2009).

Karakteristik yang biasa digunakan dalam persoalan linear programming adalah

sebagai berikut (Siringoringo, 2005):
a. Sifat linearitas suatu kasus dapat ditentukan dengan menggunakan beberapa
cara. Secara statistik, kita dapat memeriksa kelinearan menggunakan grafik
(diagram pencar) ataupun menggunakan uji hipotesa. Secara teknis, linearitas

7
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

ditunjukkan oleh adanya sifat proporsionalitas, additivitas, divisibilitas dan

kepastian fungsi tujuan dan pembatas.
b. Sifat proporsional dipenuhi jika kontribusi setiap variabel pada fungsi tujuan
atau penggunaan sumber daya yang membatasi proporsional terhadap level nilai
variabel. Jika 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, jika penggunaan sumber daya per unitnya tergantung dari
jumlah yang diproduksi, maka sifat proporsionalitas tidak dipenuhi.
c. 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, untuk
fungsi kendala, sifat additivitas dipenuhi jika nilai kanan merupakan total
penggunaaan masing-masing variabel keputusan, jika dua variabel keputusan
misalnya merepresentasikan dua produk substitusi, dimana peningkatan volume
penjualan salah satu produk akan mengurangi volume penjualan produk lainnya
dalam pasar yang sama, maka sifat additivitas tidak terpenuhi.
d. Sifat divisibilitas berarti unit aktivitas dapat dibagi ke dalam sembarang tingkat
fraksional, sehingga nilai variabel keputusan non-integer dimungkinkan.
e. 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.

2.2.2 Definisi 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
constraint (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.

8
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

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).

Terdapat beberapa istilah yang sangat sering digunakan dalam metode simpleks,
diantaranya yaitu:
a. Iterasi adalah tahapan perhitungan dimana nilai dalam perhitungan itu
tergantung dari nilai tabel sebelumnya.
b. Variabel non basis adalah variabel yang nilainya diatur menjadi nol pada
sembarang iterasi. Secara terminologi umum, jumlah variabel non basis selalu
sama dengan derajat bebas dalam sistem persamaan.
c. Variabel basis merupakan variabel yang nilainya bukan nol pada sembarang
iterasi. Variabel basis merupakan variabel slack pada kondisi awal (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).
d. Solusi atau nilai kanan merupakan nilai sumber daya pembatas yang masih
tersedia. Nilai kanan atau solusi pada solusi awal sama dengan jumlah sumber
daya pembatas awal yang ada, karena aktivitas belum dilaksanakan.
e. 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.
f. 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.
g. Variabel buatan adalah variabel yang ditambahkan ke model matematik kendala
dengan bentuk ≥ atau = untuk difungsikan sebagai variabel basis awal.

9
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

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.
h. Kolom pivot (kolom kerja) adalah kolom yang memuat variabel masuk.
Koefisien pada kolom ini akan menjadi pembagi nilai kanan untuk menentukan
baris pivot (baris kerja).
i. Baris pivot (baris kerja) adalah salah satu baris dari antara variabel basis yang
memuat variabel keluar.
j. Elemen pivot (elemen kerja) adalah elemen yang terletak pada perpotongan
kolom dan baris pivot. Elemen pivot akan menjadi dasar perhitungan untuk tabel
simpleks berikutnya.
k. Variabel masuk (entering variable) 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.
l. 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.

2.2.3 Bentuk Baku

Sebelum melakukan perhitungan iteratif untuk menentukan solusi optimal, pertama
sekali bentuk umum pemrograman linier dirubah ke dalam bentuk baku terlebih
dahulu. Bentuk baku dalam metode simpleks tidak hanya mengubah persamaan
kendala ke dalam bentuk sama dengan, tetapi setiap fungsi kendala harus diwakili
oleh satu variabel basis awal. Variabel basis awal menunjukkan status sumber daya
pada kondisi sebelum ada aktivitas yang dilakukan. Dengan kata lain, variabel
keputusan semuanya masih bernilai nol. Dengan demikian, meskipun fungsi
kendala pada bentuk umum pemrograman linier sudah dalam bentuk persamaan,
fungsi kendala tersebut masih harus tetap berubah.

Berikut ini adalah beberapa hal yang harus diperhatikan dalam membuat bentuk
baku:

10
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

a. Fungsi kendala dengan pertidaksamaan ≤ dalam bentuk umum, dirubah menjadi

persamaan (=) dengan menambahkan satu variabel slack.
b. Fungsi kendala dengan pertidaksamaan ≥ dalam bentuk umum, dirubah menjadi
persamaan (=) dengan mengurangkan satu variabel surplus.
c. Fungsi kendala dengan persamaan dalam benttuk umum, ditambahkan satu
artificial variable (variabel buatan).
Tahap-tahap menggunakan metode simpleks:
1.Membuat bentuk LP standar dengan :
 Mengubah fungsi tujuan menjadi fungsi implisit
 Mengubah fungsi batasan menjadi persamaan dengan menambahnkan
variabel slack
 Menambahkan variabel slack dalam fungsi tujuan
2. Dari bentuk standar menentukan solusi awal dengan menetapkan variabel non
basic sebagai variabel bernilai 0.
3. Menyusun tabel simplek.
4. memilih variabel non basic yang harus dipertukarkan dengan variabel basic.
 Memilih kolom pivot Nilai (-) terbesar pada fungsi tujuan bila fungsi
tujuan max
 Mencari indeks tiap baris dengan cara membagi nilai pada kolom solusi
dengan kolom pivot —> tidak termasuk baris tujuan
 Baris pivot adalah nilai positif terkecil Pivot = perpotongan kolom pivot
dan baris pivot
 Perhitungan baris pivot baru dengan cara membagi semua nilai pada baris
pivot lama dengan nilai pivot
 Menghitung nilai baris-baris lainnya : Baris baru = baris lama – (koefisien
pada kolom pivot) x nilai baru baris pivot. Nilai pada kolom pivot = 0
5. Susun tabel simplek baru.
6. Evaluasi, apakah tujuan masih ada nilai (-).
7. Jika ya, ulangi tahapan iterasi, jika tidak maka sudah dihasilkan nilai optimal.

11
 BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

4.1 PENGUMPULAN DATA

4.1.1 Linear Programming (Metode Grafis)
Data yang dikumpulkan praktikan yaitu soal yang telah diberikan oleh Instruktur
Praktikum Model Optimasi berupa 2 kasus yang berkaitan dengan Linear
Programming, berikut ini adalah kasus yang telah diberikan kepada praktikan:
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 $40 dan $30 secara
berurutan. Tentukan produksi harian optimum untuk setiap model.
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. Pihak manajemen menetapkan batasan bahwa perbedaan
XYZ tidak lebih dari 3 satuan. Ketersediaan bahan 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 kuantitas 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. 30.000 dan Rp. 50.000. 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

12
 UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

4.1.2 Linear Programming (Metode Simpleks)

Data yang dikumpulkan praktikan yaitu soal yang telah diberikan oleh Instruktur
Praktikum Model Optimasi berupa 2 kasus yang berkaitan dengan Linear
Programming, berikut ini adalah kasus yang telah diberikan kepada praktikan:
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 penyelesaianya jumlah hari yang
diperlukan untuk masing-masing tahapan pekerjaan digambarkan sebagai berikut:

Berdasarkan pengalaman sebelumnya, pihak manajemen PT.Raja Laut

mengharapkan kontribusi laba perkapal 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 10 orang untuk bagian desain, 20 orang untuk memeperkerjakan
tukang kayu dan 10 rang untuk penyelesaiannya. Secara rata-rata karyawan bekerja
selama 240 hari pertahun, satu-satunya kendala lain adalah batasan yang ditetapkan
oleh manajemen mengenai model C yang dapat dijual pihak manajemen PT.Raja
Laut tidak akan menerima pesanan untuk model tersebut lebih dari 20 unit.
Berdasarkan informasi tersebut, beberapa banyak pesanan untuk setiap model yang
harus diterima untuk memaksimalkan total kontribusi data/laba? Gunakan metode
simpleks. (Tambahakan dua digit NPM terhadap jumlah orang)
2. Kasus 2

PT.Makmur Jaya Abadi adalah perusahaan yang memproduksi 3 MJA2, dan MJA3.
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
200kg dan 160kg.

13
 UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Tabel 4.1 Jumlah Bahan Tepung Beras Dan Pisang Raja

Bahan
Produk
Tepung Beras Pisang Raja
MJA1 5 2
MJA2 4 5
MJA3 4 2
(Sumber:Pengolahan Data)

Tabel 4. 2 Jumlah Proses Produksi Penggorengan Dan Pengeringan

Proses Produksi
Produk
Penggorengan Penggeringan
MJA1 1 2
MJA2 1 4
MJA3 2 2
(Sumber:Pengolahan Data)

Jika keuntungan yang diperoleh untuk masing-masing produk adalah $4, $10, dan
$8.
Pertanyaan:
a) Formulasikan persoalan tersebut.
b) Tentukan solusi optimalnya

(tambahkan dua digit NPM pada bahan tepung beras dan pisang raja)

3. Kasus 3

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

14
 UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

yang harus dibeli dalam rangka memaksimalkan tujuannya. Berikun ini perkiraan
setiap iklan komersial yang akan mencapai pemirsa potensial dan biaya tertentu:

Tabel 4. 1 Perkiraan Iklan Komersial

Jenis Iklan Komersial Tampilan Jumlah Biaya
Televisi 20000 15000
Radio 12000 6000
Surat Kabar 9000 4000
(Sumber:Pengolahan Data)

A. Batasan anggaran untuk iklan $100.000

B. Stasiun televisi memiliki 4 menit komersial.
C. Stasiun radio memiliki 10 waktu komersial.
D. Surat kabar mempunyai jatah yang tersedia untuk 7 iklan.
E. Perusahaan iklan hanya memiliki jatah 15 komersial dan iklan.

*(Data berikut ditambahkan 2 digit *NPM praktikan dan ditambah batasan

anggaran)

4.1.3 Linear Programming (Metode Big-M)

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).

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

15
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

kedelai bubuk yang optimal sehingga biaya produksi yang dikeluarkan perusahaan
menjadi minimal.

Tambahkan NPM (2 digit x 100) +12000 dan NPM (2 digit x 100) +24000
Soal :
PT. Kerto Joyo Raharjo memproduksi tiga buah furniture yang terdiri dari lemari,
meja dan kursi. Ketiga produksi tersebut terdiri dari tahapan dalam proses
produksinya. Tahapan tersebut terdiri dari tahap pemotongan, tahap perakitan, dan
tahap pengecatan. Untuk produk lemari membutuhkan waktu proses paling sedikit
9 jam kerja dengan 1 jam kerja pada tahap pemotongan, 2 jam pada tahap perakitan
dan 3 jam kerja pada tahap pengecatan. Untuk produk kerja membutuhkan waktu
proses selama15 jam kerja demgan 3 jam kerja pada tahap pemotongan, 2 jam kerja
untuk tahap perakitan dan 2 jam kerja pada tahap pengecatan. Untuk produksi
membutuhkan waktu proses kurang dari 12 jam kerja dengan 2 jam kerja untuk
tahap pemotongan, 2 jam kerja untuk tahap perakitan dan 3 jam kerja untuk tahap
pengecatan. Biaya produksi yang dikeluarkan untuk masing-masing produk adalah
$19 untuk produk lemari, $9 untuk produk meja, dan $5 untuk produk kursi.
Hitunglah jumlah produksi ketiga produk tersebut agar biaya yang dikeluarkan oleh
PT. Kerto Joyo Raharjo dapat minimal

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

16
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

4.2 PENGOLAHAN DATA

4.2.1 Linear Programming (Metode Grafis)

4.2.1.1 Kasus 1
Maksimasi 𝑧 = 49𝑥1 + 39 𝑥2
Dengan Pembatas-pembatas:

10𝑥1 + 8𝑥2 ≤ 800

𝑥1 ≤ 60, 𝑥2 ≤ 75
𝑥1 , 𝑥2 ≥ 0
Mencari titik koordinat
10𝑥1 + 8𝑥2 ≤ 800
𝑥1 = 0, 𝑥2 = 100 (0,100)
𝑥2 = 0, 𝑥1 = 80 (80,0)
Mencari titik potong

10𝑥1 + 8𝑥2 ≤ 800

𝑥1 = 60, 𝑥2 = 25 (60,25)
𝑥2 = 75, 𝑥1 = 20 (75,20)

Gambar 4. 1 Grafik Kasus 1

(Sumber: Pengolahan Data)

17
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Tabel 4. 1 Perhitungan Keuntungan Maksimum

No X Y Z=49+39
1 0 75 Z=49(0) + 39(75) 2925
2 20 75 Z=49(20) + 39(75) 3905
3 60 25 Z=49(60) + 39(25) 3915
4 60 0 Z=49(60) + 39(0) 2940
(Sumber: Pengolahan Data)

4.2.1.2 Kasus 2
Misalkan ABC = X1, XYZ = X2
Maksimasi 𝑧 = 30.019 𝑥1 + 50.019 𝑥2
Dengan pembatas-pembatas:

2𝑥1 + 3𝑥2 ≤ 24
𝑥2 − 𝑥1 ≤ 1
𝑥2 ≤ 6
𝑥1,2 ≥ 0
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)

𝑥2 − 𝑥1 =1 ×2
2𝑥1 + 3𝑥2 = 24 × 1

2𝑥2 − 2𝑥1 = 2
2𝑥1 + 3𝑥2 = 24 +
5𝑥2 = 26
26
𝑥2 = = 5,2 = 5
5

𝑥2 − 𝑥1 = 1
5,2 − 𝑥1 = 1
− 𝑥1 = 1 – 5,2
𝑥1 = 4,2 = 4

18
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Titik Potong = (4 ∶ 5)

Gambar 4. 2 Grafik Kasus 2

(Sumber: Pengolahan Data)
𝑋1 = 4,2
𝑋2 = 5,2
Maksimasi Z = 30.019 𝑥1 + 50.019 𝑥2
=30.019(4) + 50.019(5) = Rp.370.171
𝑋1 = 12
𝑋2 = 0
Maksimasi Z = 30.019 𝑥1 + 50.019 𝑥2
=30.019(12) + 50.019(0) = Rp. 360.228
Keuntungan maksimum dari produk sepatu ABC dan XYZ dalam satu hari adalah
sebesar Rp. 360,228 dengan memproduksi 4 ABC dan 5 XYZ.
Hasil tersebut kemudian dihitung kembali kedalam keuntungan dalam 1 minggu =
5 hari kerja.
4 x 5 = 20 ABC 𝑥1
5 x 5 = 25 XYZ 𝑥2
= 30.019 + 50.019 𝑥2
=30.019(20) + 50.019(25) = Rp. 1850,855
Jadi keuntungan total per minggu sebesar Rp. 1850,855

8
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

4.2.2 Linear Programming (Metode Simpleks)

4.2.2.1 Kasus 1
Diketahui:

Tabel 4.1 Ringkasan

Kapal A Kapal B Kapal C Pekerja
Desain 3 5 10 29
Pekerjaan Kayu 5 12 18 39
Penyelesaian 4 5 8 29
Laba 5000 10000 20000
(Sumber: Pengolahan Data)

Ditanyakan: Maksimasi (Z)?

Z= 5000X1 + 10000X2 + 20000X3
Const = 3X1 + 5X2 + 10X3 ≤ 29
5X1 + 12X2 + 18X3 ≤ 39
4X1 + 5X2 + 8X3 ≤ 29
X3 ≤ 20
X1, X2, X3 ≥ 0
Penyelesaian:
Z= 5000X1 + 10000X2 + 20000X3 + 0S1 + 0S2 + 0S3 + 0S4
Z - 5000X1 - 10000X2 - 20000X3 - 0S1 - 0S2 - 0S3 - 0S4 = 0
Const = 3X1 + 5X2 + 10X3 + S1 = 29
5X1 + 12X2 + 18X3 + S2 = 39
4X1 + 5X2 + 8X3 + S3 = 29
X3 + S4 =20

Tabel 4.2 Perhitungan Iterasi 0

Basis Z X1 X2 X3 S1 S2 S3 S4 Solusi Rasio
Z 1 -5000 -10000 -20000 0 0 0 0 0 0.00
S1 0 3 5 10 1 0 0 0 29 2.90
S2 0 5 12 18 0 1 0 0 39 2.17
S3 0 4 5 8 0 0 1 0 29 3.63
S4 0 0 0 1 0 0 0 1 20 20.00

(Sumber: Pengolahan Data)

9
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Tabel 4.3 Perhitungan Iterasi 1

Basis Z X1 X2 X3 S1 S2 S3 S4 Solusi
Z 1 555.56 3333.33 0 0 1111.11 0 0 43333.33
S1 0 0.22 -1.67 0 1 -0.56 0 0 7.33
X3 0 0.28 0.67 1 0 0.06 0 0 2.17
S3 0 1.78 -0.33 0 0 -0.44 1 0 11.67
S4 0 -0.28 -0.67 0 0 -0.06 0 1 17.83
(Sumber: Pengolahan Data)

Maka didapatkan hasil:

X1 = 0 S1 = 7,33
X2 = 0 S2 = 0
X3 = 2,17 S3 = 11,67

Z = 43333,33 S4 = 17,83
4.2.2.2Kasus 2
Diketahui:

Tabel 4.4 Ringkasan

MJA 1 MJA 2 MJA 3 Persediaan
Tepung Beras 5 4 4 219
Pisang Raja 2 5 2 179
Penggoengan 1 1 2 50
Pengeringan 2 4 2 80
Keuntungan $4 $10 $8
(Sumber: Pengolahan Data)
Ditanyakan: Maksimasi (Z)?
Z= 4X1 + 10X2 + 8X3
Const = 5X1 + 4X2 + 4X3 ≤ 219
2X1 + 5X2 + 2X3 ≤ 179
X1 + X2 + 2X3 ≤ 50
2X1 + 4X2 + 2X3 ≤ 80
X1, X2, X3 ≥ 0
Penyelesaian:
Z= 4X1 + 10X2 + 8X3 + 0S1 + 0S2 + 0S3 + 0S4
Z - 4X1 - 10X2 - 8X3 - 0S1 - 0S2 - 0S3 - 0S4 = 0
Const = 5X1 + 4X2 + 4X3 + S1 = 219
2X1 + 5X2 + 2X3 + S2 = 179

10
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

X1 + X2 + 2X3 + S3 = 50
2X1 + 4X2 + 2X3 + S4 = 80

X1, X2, X3 ≥ 0
Tabel 4.5 Perhitungan Iterasi 0
Basis Z X1 X2 X3 S1 S2 S3 S4 Solusi Rasio
Z 1 -4 -10 -8 0 0 0 0 0 0.00
S1 0 5 4 4 1 0 0 0 219 54.75
S2 0 2 5 2 0 1 0 0 179 35.80
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 4.6 Perhitungan Iterasi 1

Basis Z X1 X2 X3 S1 S2 S3 S4 Solusi Rasio
Z 1 1 0 -3 0 0 0 2.50 200 -66.67
S1 0 3 0 2 1 0 0 -1 139 69.50
S2 0 -0.5 0 -0.5 0 1 0 -1.25 79 -158
S3 0 0.5 0 1.50 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 4.7 Perhitungan Iterasi 2

Basis Z X1 X2 X3 S1 S2 S3 S4 Solusi
Z 1 2 0 0 0 0 2 2 260
S1 0 2.33 0 0 1 0 -1.33 -0.67 99
S2 0 -0.33 0 0 0 1 0.33 -1.33 89
X3 0 0.33 0 1 0 0 0.67 -0.17 20
X2 0 0.33 1 0 0 0 -0.33 0.33 10
(Sumber: Pengolahan Data)

Maka didapatkan hasil:

X1 = 0 S1 = 99
X2 = 10 S2 = 89
X3 = 20 S3 = 0

Z = 260 S4 = 0

11
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

4.2.2.3 Kasus 3
Diketahui:

Tabel 4.8 Ringkasan

Iklan Televisi Iklan Radio Iklan Surat Kabar Batasan
Televisi X1 0 0 4
Radio 0 X2 0 10
Surat Kabar 0 0 X3 7
Iklan X1 X2 X3 15
Biaya 15000 6000 4000 290000
Tampilan Jumlah 20000 12000 9000
(Sumber: Pengolahan Data)

Ditanyakan: Maksimasi (Z)?

Z= 20000X1 + 12000X2 + 9000X3
Const = X1 ≤4
X2 ≤ 10
X3 ≤ 7
X1 + X2 + X3 ≤ 15
X1, X2, X3 ≥ 0
Penyelesaian:
Z= 20000X1 + 12000X2 + 9000X3 + 0S1 + 0S2 + 0S3 + 0S4 + 0S5
Z – 20000X1 - 12000X2 - 9000X3 - 0S1 - 0S2 - 0S3 - 0S4 – OS5 = 0
Const = X1 + S1 = 4
X2 + S2 = 10
X3 + S3 = 7
X1 + X2 + X3 + S4 = 15
15000X1 + 6000X2 + 4000X3 + S5 = 290000

8
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Tabel 4.9 Perhitungan Iterasi 0

Basis Z X1 X2 X3 S1 S2 S3 S4 S5 Solusi Rasio
Z 1 -20000 -12000 -9000 0 0 0 0 0 0 0
S1 0 1 0 0 1 0 0 0 0 4 4
S2 0 0 1 0 0 1 0 0 0 10 -
S3 0 0 0 1 0 0 1 0 0 7 -
S4 0 1 1 1 0 0 0 1 0 15 15
S5 0 15000 6000 4000 0 0 0 0 1 290000 19.33
(Sumber: Pengolahan Data)
(Sumber: Pengolahan Data)
Tabel 4.10 Perhitungan Iterasi 1
Basis Z X1 X2 X3 S1 S2 S3 S4 S5 Solusi Rasio
Z 1 0 -12000 -9000 20000 0 0 0 0 80000 -6.67
X1 0 1 0 0 1 0 0 0 0 4 -
S2 0 0 1 0 0 1 0 0 0 10 10
S3 0 0 0 1 0 0 1 0 0 7 -
S4 0 0 1 1 -1 0 0 1 0 11 11
S5 0 0 6000 4000 -15000 0 0 0 1 230000 38.33
(Sumber: Pengolahan Data)
(Sumber: Pengolahan Data)
Tabel 4.11 Perhitungan Iterasi 2
Basis Z X1 X2 X3 S1 S2 S3 S4 S5 Solusi Rasio
Z 1 0 0 -9000 20000 12000 0 0 0 200000 -22.22
X1 0 1 0 0 1 0 0 0 0 4 -
X2 0 0 1 0 0 1 0 0 0 10 -
S3 0 0 0 1 0 0 1 0 0 7 7
S4 0 0 0 1 -1 -1 0 1 0 1 1
S5 0 0 0 4000 -15000 -6000 0 0 1 170000 42.50
(Sumber: Pengolahan Data)
(Sumber: Pengolahan Data)
Tabel 4.12 Perhitungan Iterasi 3
Basis Z X1 X2 X3 S1 S2 S3 S4 S5 Solusi
Z 1 0 0 0 11000 3000 0 9000 0 209000
X1 0 1 0 0 1 0 0 0 0 4
X2 0 0 1 0 0 1 0 0 0 10
S3 0 0 0 0 0 0 0 0 1 1
X3 0 0 0 1 -1 -1 0 1 0 1
S5 0 0 0 0 -11000 -2000 0 -4000 1 166000
(Sumber: Pengolahan Data)
(Sumber: Pengolahan Data)
Maka didapatkan hasil:
X1 = 4 S2 = 0
X2 = 10 S3 = 1
X3 = 1 S4 = 0
Z = 209000 S5 = 166000
S1 = 0

9
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

4.2.3 Linear Programming (Metode Big-M)

4.2.3.1 Kasus 1
Diketahui:
Tabel 4.1 Ringkasan
Produk Mesin Giling Mesin Pengolah Biaya Produk
Susu Bubuk (X1) 3 3 13900
Susu Cair (X2) 1 4 25900
Kapasitas ≥4 ≥5
(Sumber: Pengolahan Data)

Ditanyakan: Minimasi (Z)?

Z= 13900X1 + 25900X2
Const = 3X1 + X2 ≥ 4
3X1 + 4X2 ≥ 5
X1, X2 ≥ 0
Penyelesaian:
Z= 13900X1 + 25900X2 + MR1 + MR2
Z - 13900X1 - 25900X2 - MR1 - MR2 = 0
Const 3X1 + X2 – S1 +R1 = 4
3X1 + 4X2 -S2 + R2 = 5
X1, X2 ≥ 0
Const 1 R1 = 4 – 3X1 – X2 + S1
MR1 = M (4 – 3X1 – X2 + S1)
= 4M – 3MX1 – MX2 + MS1
Const 2 R2 = 5 – 3X1 – 4X2 + S2
MR2 = M (5 – 3X1 – 4X2 + S2)
= 5M – 3MX1 – 4MX2 + MS2

8
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Z = 13900X1 + 25900X2 + (4M - 3MX1 - MX2 + MS1) + (5M- 3MX1 – 4MX2 +

MS2)
Z = (13900X1 – 3MX1 – 3MX1 ) + (25900X2 – MX2 – 4MX2) + MS1 + MS2 +
(4M + 5M)
Z = (13900 – 6M) X1 + (25900 – 5M) X2 + MS1 + MS2 + 9M
Z - (13900 – 6M) X1 - (25900 – 5M) X2 - MS1 - MS2 - 9M = 0

Tabel 4.2 Perhitungan Iterasi 0

Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
Z 1 −13900 − 6𝑀 −25900 − 5𝑀 −𝑀 −𝑀 0 0 −9𝑀 -
4
R1 0 3 1 -1 0 1 0 4
3
5
R2 0 3 4 0 0 -1 0 1
3
(Sumber: Pengolahan Data)

Tabel 4.3 Perhitungan Iterasi 1

Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
63800 13900 13900 55600
Z 1 0 − + 3𝑀 +𝑀 −𝑀 − − 2𝑀 0 − 𝑀 -
3 3 3 3
1 1 1 4
X1 0 1 − 0 0 4
3 3 3 3
1
R2 0 0 3 1 -1 -1 1 1
3
(Sumber: Pengolahan Data)

Tabel 4.4 Perhitungan Iterasi 2

Basis Z X1 X2 S1 S2 R1 R2 Solusi Rasio
22100 63800 22100 230600
Z 1 0 0 − − −𝑀 −𝑀 -
9 9 9 9
4 1 4 1 11 11
X1 0 1 0 − − −
9 9 9 9 9 4
1 1 1 1 1
X2 0 0 1 − − 1
3 3 3 3 3
(Sumber: Pengolahan Data)

9
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Tabel 4.5 Perhitungan Iterasi 3

Basis Z X1 X2 S1 S2 R1 R2 Solusi
22100 13900 69500
Z 1 0 − 0 − −𝑀 −𝑀
3 3 3

X1 0 1 4 0 1 0 1 5
−
3 3 3 3

S1 0 0 3 1 -1 -1 1 1

(Sumber: Pengolahan Data)

Maka didapatkan hasil:

5 S1 = 1
X1 =
3
S2 = 0
X2 = 0
69500 R1 = 0
Z= 3
R2 = 0

4.2.3.2 Kasus 2
Diketahui:

Tabel 4.6 Ringkasan

Produk Pemotongan Perakitan Pengecatan
Lemari 1 3 2
Meja 2 2 2
Kursi 3 2 3
Biaya Produk ≥9 15 ≤ 12
(Sumber: Pengolahan Data)

Ditanyakan: Minimasi (Z)?

Z= 4X1 + 10X2 + 8X3
Const = X1 + 2X2 + 3X3 ≥ 9
3X1 + 2X2 + 2X3 = 15
2X1 + 2X2 + 3X3 ≤ 12
X1, X2, X3 ≥ 0
Penyelesaian:
Z= 19X1 + 9X2 + 19X3 + MR1 + MR2
Z - 19X1 - 9X2 - 19X3 - MR1 - MR2= 0
Const X1 + 2X2 + 3X3 – S1 +R1 = 9

10
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

3X1 + 2X2 + 2X3 + R2 = 15

2X1 + 2X2 + 3X3 + S2 = 12
X1, X2 ≥ 0
Const 1 R1 = 9 – X1 – 2X2 + 3X3 + S1
MR1 = M (3 – X1 – 2X2 – 3X3 + S1)
= 9M – MX1 – 2MX2 – 3MX3 + MS1
Const 2 R2 = 15 – 3X1 – 2X2 + 2X3
MR2 = M (15 – 3X1 – 2X2 – 2X3)
= 15M – 3MX1 – 2MX2 – 2MX3

Z = 19X1 + 9X2 + 19X3 + (9M – MX1 – 2MX2 – 3MX3 + MS1) + (15M – 3MX1
– 2MX2 – 2MX3)
Z = (19X1 – MX1 – 3MX1 ) + (9X2 – 2MX2 – 2MX2) + (19X3 – 3MX3 – 2MX3)
+ MS1 + (9M + 15M)
Z = (19 – 4M) X1 + (9 – 4M) X2 + (60 – 5M) X3 + MS1 + 24M
Z - (19 – 4M) X1 - (9 – 4M) X2 - (60 – 5M) X3 - MS1 - 24M = 0
X1, X2, X3 ≥ 0

Tabel 4.7 Perhitungan Iterasi 0

Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
Z 1 −19 + 4𝑀 −9 + 4𝑀 −19 + 5𝑀 −𝑀 0 0 0 24𝑀 -

R1 0 1 2 3 -1 0 1 0 9 3
15
R2 0 3 2 2 0 0 0 -1 15
2

S2 0 2 2 3 0 1 0 0 12 4

(Sumber: Pengolahan Data)

Tabel 4.8 Perhitungan Iterasi 1

Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
38 + 7𝑀 8 + 2𝑀 8𝑀 + 19 19 + 5𝑀 27𝑀 + 19
Z 1 − − 0 0 0 − -
3 3 3 3 3
1 2 1 1
X3 0 1 − 0 0 3 9
3 3 3 3
7 2 2 2 27
R2 0 0 0 − 1 9
3 3 3 3 3

S2 0 1 0 0 1 1 -1 0 3 3

(Sumber: Pengolahan Data)

11
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Tabel 4.9 Perhitungan Iterasi 2

Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
8 + 2𝑀 𝑀 + 57 38𝑀 + 7 19 + 2𝑀 6𝑀 + 133
Z 1 0 − 0 − − 0 -
3 3 3 3 3
2 2 1 2
X3 0 0 1 − − 0 2 3
3 3 3 3
2 5 7 5
R2 0 0 0 − − 1 2 3
3 3 3 3

X1 0 1 0 0 1 1 -1 0 3 -

(Sumber: Pengolahan Data)

Tabel 4.10 Perhitungan Iterasi 3
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
6𝑀 + 37 66 + 14𝑀 39 + 7𝑀
Z 1 0 0 0 − − 4− 𝑀 84 -
3 3 3
1 1
X3 0 0 0 1 1 2 -1 -1
214 428
5 7 5 3 6
X2 0 0 1 0 − − 3
2 3 3 2 7

X1 0 1 0 0 1 1 1 0 3 3

(Sumber: Pengolahan Data)

Tabel 4.11 Perhitungan Iterasi 4

Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi Rasio
33 − 7𝑀 𝑀 + 70 72 + 14𝑀 21 + 4𝑀
Z 1 0 0 0 − − 84 -
3 3 3 3
1 1 1 1 1 1
S2 0 0 0 1 − −
2 2 2 2 214 107
7 3 3 1
X2 0 0 1 − 0 − 3 -4
4 4 4 4
1 1 1 1
X1 0 1 0 − 0 3 6
2 2 2 2

(Sumber: Pengolahan Data)

Tabel 4.12 Perhitungan Iterasi 5
Basis Z X1 X2 X3 S1 S2 R1 R2 Solusi
33 − 6𝑀 2𝑀 + 140 142 + 15𝑀 91 + 3𝑀
Z 1 0 0 − 0 − − − 84
3 3 3 3
1
S1 0 0 0 1 1 2 -1 -1
214
5 3
X2 0 0 1 0 0 -1 3
2 2

X1 0 1 0 -1 0 -1 0 -1 3

(Sumber: Pengolahan Data)

Maka didapatkan hasil:
X1 = 3 Z = 84 R1 = 0
X2 = 3 1 R2 = 0
S1 = 214
X3 = 0
S2 = 0

12
 BAB V
ANALISIS

5.1 ANALISIS

5.1.1 Linear Programming (Metode Grafis)

Hasil pengolahan data dengan menggunakan metode statistika deskriptif
menunjukan bahwa dari data tersebut terkumpul sebanyak 50 data, yang
diklasifikasikan menjadi dua bagian yaitu berat badan dan tinggi badan. Data berat
badan termasuk kedalam data kontinu sedangkan data tinggi badan termasuk
kedalam data diskrit. Data berat badan dan tinggi badan dapat disimpulakan,
sebagai berikut:
Tabel 5. 1 Data Hasil Perhitungan
Diskrit Kontinu
Banyak Kelas 6 6
Interval 5 11
Mean 186,3 61,633
Median 185,5 61,938
Modus 195,3 61,684
Variansi 58,72 227,529
Standar Deviasi 7,66 15,084
Skewness 0,06 -0.445
Simpangan Kuartil 6,88 11,163
(Sumber: Pengolahan Data)

Hasil pengolahan data tersebut akan di tes signifikansi artinya melakukan

perbandingan antara nilai hasil perhitungan dengan nilai yang diolah menggunakan
software minitab, adalah sebagai berikut:

Gambar 5.1 Hasil Pengolahan Software MiniTab Data Diskrit

(Sumber: Pengolahan Data)

13
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

Berdasarkan dari hasil yang telah dihitung menggunakan Software MiniTab, hasil
yang diperoleh dari mean, median, modus, variansi, standar deviasi, dan skewness
tidaklah jauh berbeda. Perbedaan tersebut dikarenakan penggunaan angka
dibelakang koma yang tidak semuanya dihitung yang menjadikan hasil berbeda
sedikit dari hasil yang diperoleh menggunakan Software MiniTab. Hasil Skewness
yang berada pada data kontinu menghasilkan nilai yang negatif hal tersebut bisa
terjadi karena terlalu banyak nilai yang ekstrim pada satu set data.

5.1.2 Linear Programming (Metode Simpleks)

5.1.2.1 Kasus 1
Perhitungan yang telah dilakukan terhadap sebuah model yang telah dirumuskan
untuk kasus 1 Linear Programming menggunakan metode simpleks, pencarian nilai
maksimasi untuk nilai Z = 5000X1 + 10000X2 + 20000X3

Tabel 5. 2 Data Hasil Perhitungan

X1 X2 X3 Z S1 S2 S3 S4
Maksimasi 0 0 2.17 43333.33 7.33 0 11.67 17.83
(Sumber: Pengolahan Data)
Keterangan:

a. X1 merupakan tahapan desain dari hasil tabel diatas sebaiknya desain

diperkecil = 0 dikarenakan banyak memakan waktu
b. X2 merupakan tahapan pekerjaan dari hasil tabel diatas sebaiknya pekerjaan
kayu diperkecil = 0 dikarenakan banyak memakan waktu
c. X3 merupakan tahapan dari penyelesaian dari hasil tabel diatas sebaiknya
penyelesaian dilakukan 2.17 orang/hari

5.1.2.2 Kasus 2
Perhitungan yang telah dilakukan terhadap sebuah model yang telah dirumuskan
untuk kasus 2 Linear Programming menggunakan metode simpleks, pencarian nilai
maksimasi untuk nilai Z = 4X1 + 10X2 + 8X3

14
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

5.1.3 Linear Programming (Metode Big-M)

15
 BAB VI
KESIMPULAN DAN SARAN

6.1 KESIMPULAN

6.1.1 Linear Programming (Metode Grafis)

Berdasarkan praktikum yang telah dilakukan dapat ditarik kesimpulan, sebagai
berikut:

1. Statistika deskriptif merupakan salah satu ilmu tentang mengolah sebuah

data dengan menggunakan ilmu statistik untuk menghasilkan suatu
informasi yang berguna.
2. Hasil dari pengolahan data manual tidak berbeda jauh dengan menggunakan
aplikasi, hanya berbeda beberapa angka dibelakang koma.
3. Penyajian data dengan statistika deskriptif membutuhkan histogram untuk
membuat informasi yang disampaikan menjadi lebih jelas

5.1.2 Linear Programming (Metode Simpleks)

Berdasarkan praktikum yang telah dilakukan dapat ditarik kesimpulan, sebagai
berikut:

1. Metode simpleks merupakan salah satu metode yang secaras sistematis

penyelesaian linear dimulai dari suatu penyelesaian basis yang fisibel ke
penyelesaian dasar fisibel lainya.
2. Penyajian data dengan metode simpleks membutuhkan suatu tabel
ringkasan untuk membuat informasi yang disampaikan menjadi lebih jelas
3. Haril optimal maksimasi Z untuk kasus 1 berada pada X1= 0, X2= 0, dan
X3= 2,17, total kontribusi laba sebesar 43.400
4. Haril optimal maksimasi Z untuk kasus 2 berada pada X1= 0, X2= 10, dan
X3= 20, solusi optimalnya sebesar 260
5. Haril optimal maksimasi Z untuk kasus 3 berada pada X1= 4, X2= 10, dan
X3= 1 solusi optimalnya sebesar 209.000

5.1.3 Linear Programming (Metode Big-M)

16
UNIVERSITAS WIDYATAMA PRAKTIKUM MODEL OPTIMASI

6.2 SARAN

6.2.1 Linear Programming (Metode Grafis)

Saran praktikan dalam praktikum yang telah dilakukan adalah sebagai berikut:

1. Membutuhkan konsentrasi atau keseriusan yang tinggi dikarenakan banyak

mengolah data.
2. Mengolah data tersebut dapat dilakukan dengan menggunakan sebuah
aplikasi.
3. Perhitungan manualpun harus dilakukan agar mengerti bagaimana hasil
tersebut bisa didapatkan.

5.1.2 Linear Programming (Metode Simpleks)

5.1.3 Linear Programming (Metode Big-M)

17