PENGANTAR PEMBANGUNAN

MODEL
 PENDAHULUAN

 Riset Operasi (lebih dikenal sebagai ilmu manajemen)

merupakan suatu pendekatan ilmiah mengenai pengambilan keputusan dengan tujuan
membuat sistem operasi dan desain terbaik, di bawah kondisi yang membutuhkan
pengalokasian sumber daya yang terbatas.
Dengan sistem, pembuat keputusan mengorganisir komponen-komponen yang saling
berhubungan/bergantung untuk bekerja sama mencapai tujuan sistem.
 Contoh. Ford Motor Company merupakan sebuah sistem yang tujuan memaksimalkan
keuntungan yang dapat diperoleh dengan memproduksi kendaraan yang berkualitas.
 Proses pengambilan keputusan dengan pendekatan ilmiah umumnya melibatkan
penggunaan satu atau lebih model matematika.
 MODEL OPTIMASI

 Model matematika adalah representasi matematis dari situasi nyata yang dapat digunakan
untuk membuat keputusan yang terbaik atau dipergunakan hanya untuk dapat
memahami situasi yang sebenarnya dengan lebih baik.
 Sebagian besar model yang dibahas dalam kuliah ini yaitu model preskriptif atau model
optimasi.
 Komponen-komponen dari model preskriptif atau model optimasi adalah:
 Variabel Keputusan
 Fungsi Tujuan/Fungsi Objektif
 Fungsi Kendala/Constraint
 VARIABEL KEPUTUSAN

 Variabel Keputusan (Decision Variables)

Variabel keputusan merupakan suatu variabel yang menggambarkan

keputusan yang harus diambil dari suatu permasalahan.
 FUNGSI TUJUAN/FUNGSI OBJEKTIF

 Fungsi Tujuan/Fungsi Objektif (Objective Function)

Suatu fungsi yang mengarahkan analisa untuk mendeteksi tujuan suatu

perumusan masalah
Koefisien dari variabel keputusan dalam fungsi tujuan dinamakan koefisien
fungsi tujuan.
 FUNGSI KENDALA/CONSTRAINT

 Fungsi Kendala (Constraints)

Suatu fungsi untuk mengetahui sumber daya yang tersedia dan

permintaan atas sumber daya tersebut
 Satuan dari fungsi kendala harus sama.

 Koefisien dari variabel keputusan dalam constraints (kendala) dinamakan

koefisien teknologi (technological coefficients).
 JENIS-JENIS MODEL

 Model Statis & Model Dinamis

Model statis adalah salah satu di mana variabel keputusan tidak melibatkan urutan keputusan selama beberapa
periode.
Model dinamis adalah model di mana variabel keputusan memang melibatkan urutan keputusan selama beberapa
periode.
Pada dasarnya, dalam model statis memecahkan masalah "satu tembakan" yang solusinya menentukan nilai optimal
dari variabel keputusan di semua titik waktu. Sebagai ilustrasi model statis yaitu solusi optimal hanya akan memberi
tahu informasi kepada kita (selaku individu) bagaimana cara memaksimalkan hasil di semua titik waktu.
Sedangkan sebagai ilustrasi model dinamis, misal suatu perusahaan A harus menentukan cara meminimalkan biaya
produksi untuk permintaan perahu layar selama tahun berikutnya. Jelas, perusahaan A tersebut harus menentukan
berapa banyak perahu layar yang akan diproduksi selama masing-masing empat kuartal berikutnya. Keputusan
perusahaan A melibatkan keputusan yang dibuat selama beberapa periode, karenanya model masalah perusahaan A
akan menjadi model yang dinamis.
 JENIS-JENIS MODEL

 Model Linier & Model Nonlinier

Model linier merupakan model dimana setiap variabel keputusan dalam fungsi
objektif dan dalam fungsi kendala model optimisasi berderajat satu.
Apabila model optimisasi tidak linier, maka itu adalah model nonlinier.
 JENIS-JENIS MODEL

 Model Integer & Model Noninteger

Jika satu atau lebih variabel keputusan harus bilangan bulat, maka model
optimisasi tersebut adalah model integer.
Jika semua variabel keputusan bebas untuk mengasumsikan nilai fraksional,
maka model optimisasi adalah model noninteger.
 JENIS-JENIS MODEL

 Model Stokastik & Model Deterministik

Apabila semua informasi nilai variabel keputusan apa pun, nilai fungsi tujuan
dan informasi fungsi kendala dipenuhi atau tidak diketahui dengan pasti,
model optimasi tersebut dinamakan model deterministik. Jika kondisi ini
tidak terjadi, maka dinamakan model stokastik.
 EX1. MODEL OPTIMASI

Reddy Mikks Company memiliki sebuah pabrik kecil yang menghasilkan cat, baik untuk
interior maupun eksterior untuk didistribusikan kepada para grosir. Dua bahan mentah, A
dan B dipergunakan untuk membuat cat tersebut. Ketersediaan A maksimum adalah 24
ton satu hari; ketersediaan B adalah 6 ton satu hari. Kebutuhan harian akan bahan mentah
per ton cat interior dan ekterior diringkaskan dalam tabel berikut ini.
Ton Bahan Mentah per Ketersediaan
Ton Cat Maksimum (ton)
Eksterior Interior
Bahan Mentah A 6 4 24
Bahan Mentah B 1 2 6

Sebuah survey pasar telah menetapkan bahwa permintaan harian akan cat interior tidak
akan lebih dari 1 ton lebih tinggi dibandingkan permintaan akan cat eksterior.
 EX1. MODEL OPTIMASI

Survey tersebut juga memperlihatkan bahwa permintaan maksimum akan cat interior
adalah terbatas pada 2 ton per hari. Harga grosir per ton adalah $5000 untuk cat eksterior
dan $4000 untuk cat interior. Tentukan model matematika untuk permasalahan di atas.
 EX1. MODEL OPTIMASI

 Variabel Keputusan
Pada setiap model optimasi, peubah keputusan harus benar-benar
menggambarkan keputusan yang harus dibuat (pada kasus ini, oleh Reddy
Mikks Company.).
Reddy Mikks Company harus memutuskan berapa banyaknya cat interior dan
cat eksterior yang harus diproduksi per hari.
𝑥1 menyatakan banyaknya cat eksterior yang diproduksi setiap hari
𝑥2 menyatakan banyaknya cat interior yang diproduksi setiap hari
 EX1. MODEL OPTIMASI

 Fungsi Tujuan
Pada masalah di atas, pengambil keputusan ingin memaksimalkan
(pendapatan/keuntungan) atau meminimalkan (biaya) suatu fungsi dari variabel
keputusan.
(pendapatan harian)
(5000 x1 + 4000 x2)
↓
Maximize 5 x1 + 4 x2 (dalam ribuan $)
 EX1. MODEL OPTIMASI

 Fungsi Kendala (Constraints)

x1 , x2 semakin meningkat, maka nilai fungsi objektif akan semakin besar. Hal ini berarti,
pemilik perusahaan dapat memilih secara sembarang nilai dari peubah keputusan yang
akan dapat meningkatkan keuntungan perusahaan.
Namun, ternyata nilai-nilai peubah keputusan pada permasalahan Reddy Mikks Company
ini dibatasi oleh 4 fungsi kendala/fungsi pembatas (constrains), yaitu:
1. Ketersediaan A maksimum adalah 24 ton satu hari
2. Ketersediaan B maksimum adalah 6 ton satu hari
3. Permintaan harian akan cat interior tidak akan lebih dari 1 ton lebih tinggi
dibandingkan permintaan akan cat eksterior
4. Permintaan maksimum akan cat interior adalah terbatas pada 2 ton per hari
 EX1. MODEL OPTIMASI

Sehingga diperoleh constraints untuk model matematis untuk permasalahan Reddy

Mikks Company:
1. 6 x1 + 4 x2 ≤ 24
2. 1 x1 + 2 x2 ≤ 6
3. - x1 + x2 ≤ 1
4. x2 ≤ 2
Bilangan di ruas kanan dari setiap kendala dinamakan ruas kanan kendala (right-
hand side (rhs)).
Seringkali rhs kendala merepresentasikan jumlah sumber daya yang tersedia.
 EX1. MODEL OPTIMASI

 Pembatas Tanda/Fungsi Tanda (Sign Restrictions)

Dapatkah peubah keputusan hanya diasumsikan bernilai non negatif, ataukah
peubah keputusan juga diperbolehkan untuk diasumsikan bernilai positif dan
negatif ?
Apabila peubah keputusan xi hanya dapat diasumsikan bernilai non negatif, maka
perlu menambahkan fungsi tanda, xi ≥ 0, i = 1, 2.
Apabila peubah keputusan xi dapat diasumsikan bernilai negatif, positif, atau
nol, maka dapat dikatakan bahwa xi tidak dibatasi dalam tanda (unrestricted in
sign (urs)).
 EX1. MODEL OPTIMASI

Model optimasi untuk permasalahan Reddy Mikks Company adalah:

max z = 5 x1 + 4 x2
s.t : 6 x1 + 4 x2 ≤ 24
1 x 1 + 2 x2 ≤ 6
- x1 + x2 ≤ 1
x2 ≤ 2
xi ≥ 0, i = 1, 2
 EX2. MODEL OPTIMASI

Sebuah lembaga keuangan, Thriftem Bank, sedang berada dalam proses untuk
merumuskan sebuah kebijakan pinjaman yang melibatkan jumlah total uang sebesar $12
juta. Sebagai bank yang memberikan pelayanan lengkap, bank tersebut berkewajiban
untuk memberikan pinjaman kepada nasabah. Tabel berikut ini memberikan jenis-jenis
pinjaman, suku bunga yang dikenakan oleh bank tersebut, dan probabilitas pinjaman
macet sebagaimana diestimasi dari pengalaman masa lalu:
Jenis Pinjaman Suku Bunga Probabilitas Pinjaman Macet
Pribadi 0.140 0.10
Mobil 0.130 0.07
Rumah 0.120 0.03
Pertanian 0.125 0.05
Komersial 0.100 0.02
 EX2. MODEL OPTIMASI

Pinjaman macet diasumsikan tidak dapat diperoleh kembali dan karena itu tidak
menghasilkan pendapatan bunga.
Persaingan dengan lembaga keuangan lainnya di wilayah tersebut mengharuskan bank itu
untuk mengalokasikan setidaknya 40% dari dana total untuk pinjaman pertanian dan
komersial. Untuk membantu industri perumahan di wilayah itu, pinjaman perumahan
harus setidaknya sama dengan 50% dari pinjaman pribadi, mobil, dan perumahan. Bank
tersebut juga memiliki kebijakan tertulis yang menyatakan bahwa rasio keseluruhan untuk
pinjaman macet atas semua pinjaman tidak boleh lebih besar dari 0,04.
 PEMBANGUNAN MODEL

Langkah 1: Rumuskan Masalahnya

Pertama-tama peneliti mendefinisikan masalah organisasi.

Mendefinisikan masalah termasuk menentukan tujuan organisasi dan bagian-bagian organisasi
yang harus dipelajari sebelum masalah dapat diselesaikan.

Pada contoh di atas, masalahnya adalah menentukan bagaimana memaksimalkan hasil Wozac dari
batch.
 PEMBANGUNAN MODEL

Langkah 2: Amati Sistem Selanjutnya,

Peneliti mengumpulkan data untuk memperkirakan nilai parameter yang memengaruhi masalah
organisasi.
Estimasi ini digunakan untuk mengembangkan (dalam langkah 3) dan mengevaluasi (dalam
langkah 4) model matematika dari masalah organisasi.

Misalnya, dalam Contoh di atas, data akan dikumpulkan dalam upaya untuk menentukan
bagaimana nilai-nilai T, P, V, A, B, dan C mempengaruhi hasil proses.
 PEMBANGUNAN MODEL

Langkah 3: Merumuskan Model Matematika Masalah

Pada langkah ini, peneliti mengembangkan model matematika dari masalah. Dalam buku ini, kami
akan menjelaskan banyak teknik matematika yang dapat digunakan untuk memodelkan sistem.

Untuk Contoh di atas, model optimisasi akan menjadi hasil langkah 3.

 PEMBANGUNAN MODEL

Langkah 4: Verifikasi Model dan Gunakan Model untuk Prediksi

Peneliti mencoba untuk menentukan apakah model matematika yang dikembangkan pada langkah
3 adalah representasi realitas yang akurat.
Misalnya, untuk memvalidasi model kita, kita mungkin memeriksa dan melihat apakah model (1)
secara akurat merepresentasikan hasil untuk nilai-nilai variabel keputusan yang tidak digunakan
untuk memperkirakan kasus (1). Sekalipun suatu model valid untuk situasi saat ini, kita harus
mewaspadai penerapannya secara membabi buta.
Sebagai contoh, jika pemerintah memberikan batasan baru pada Wozac, maka kita mungkin harus
menambahkan batasan baru pada model kita, dan hasil dari proses [Model (1)] mungkin berubah.
 PEMBANGUNAN MODEL

Langkah 5: Pilih Alternatif yang Cocok

Diberikan model dan serangkaian alternatif, peneliti sekarang memilih alternatif yang paling
memenuhi tujuan organisasi. (Mungkin ada lebih dari satu!)

Misalnya, model kami memungkinkan kami untuk menentukan bahwa hasil dimaksimalkan
dengan V 5, P 200, T 100, A .294, B 0, C .706, dan z 183,38.
 PEMBANGUNAN MODEL

Langkah 6: Presentasikan Hasil dan Kesimpulan Studi ke Organisasi

Pada langkah ini, peneliti mempresentasikan model dan rekomendasi dari langkah 5 kepada
individu atau kelompok pembuat keputusan. Dalam beberapa situasi, seseorang mungkin
menghadirkan beberapa alternatif dan membiarkan organisasi memilih satu yang paling
memenuhi kebutuhannya. Setelah mempresentasikan hasil studi penelitian operasi, analis dapat
menemukan bahwa organisasi tidak menyetujui rekomendasi. Ini mungkin hasil dari definisi yang
salah dari masalah organisasi atau dari kegagalan untuk melibatkan pembuat keputusan sejak awal
proyek. Dalam hal ini, peneliti operasi harus kembali ke langkah 1, 2, atau 3.
 PEMBANGUNAN MODEL

Langkah 7: Terapkan dan Evaluasi Rekomendasi

Jika organisasi telah menerima penelitian, maka analis membantu dalam mengimplementasikan
rekomendasi. Sistem harus terus dipantau (dan diperbarui secara dinamis ketika lingkungan
berubah) untuk memastikan bahwa rekomendasi memungkinkan organisasi memenuhi tujuannya.
 EX3. MODEL OPTIMASI
Eli Daisy memproduksi Wozac dalam jumlah besar dengan proses memanaskan campuran bahan
kimia dalam wadah bertekanan. Setiap kali batch diproses, sejumlah Wozac diproduksi. Jumlah
yang dihasilkan adalah hasil proses (diukur dalam pound). Daisy tertarik untuk memahami faktor-
faktor yang mempengaruhi hasil proses produksi Wozac. Jelaskan proses pembuatan model untuk
situasi ini.
 VARIABEL KEPUTUSAN
Daisy pertama kali tertarik untuk menentukan faktor-faktor yang mempengaruhi hasil proses. Ini
akan disebut sebagai model deskriptif, karena menggambarkan perilaku hasil aktual sebagai fungsi
dari berbagai faktor. Daisy mungkin menentukan (menggunakan metode regresi) bahwa faktor-
faktor berikut mempengaruhi hasil:
 Volume wadah dalam liter (V)
 Tekanan wadah dalam mililiter (P)
 Suhu wadah dalam derajat Celcius (T)
 Komposisi kimia dari proses campuran (Misalkan bahan kimia A, B, C)
 FUNGSI TUJUAN
Secara alami, Daisy ingin memaksimalkan hasil dari proses tersebut. Tentu saja, untuk
memaksimalkan hasil proses, hal ini berarti Daisy perlu menemukan nilai-nilai V, P, T, A, B,
dan C yang membuat nilai hasil (rumus Fungsi Tujuan) sebesar mungkin.
Dalam banyak situasi, suatu organisasi mungkin memiliki lebih dari satu tujuan.
Misalnya, dalam menugaskan siswa ke dua sekolah tinggi di Bloomington, Indiana, Dewan
Sekolah Kabupaten Monroe menyatakan bahwa penugasan siswa melibatkan tujuan-tujuan
berikut:
 Menyamakan jumlah siswa di dua sekolah tinggi.
 Minimalkan jarak rata-rata yang ditempuh siswa ke sekolah.
 Memiliki komposisi siswa yang beragam di kedua sekolah menengah.
 FUNGSI KENDALA
Dalam kebanyakan situasi, hanya nilai-nilai tertentu dari variabel keputusan yang
dimungkinkan. Misalnya, kombinasi volume, tekanan, dan suhu tertentu mungkin tidak
aman. Juga, A B, dan C harus merupakan angka non-negatif dengan jumlah 1. Pembatasan
pada nilai-nilai variabel keputusan disebut kendala. Misalkan yang berikut:
 Volume harus antara 1 dan 5 liter.
 Tekanan harus antara 200 dan 400 mililiter.
 Suhu harus antara 100 dan 200 derajat Celcius.
 Campuran harus dibuat seluruhnya dari A, B, dan C.
 Agar obat dapat bekerja dengan benar, hanya setengah dari campuran yang paling banyak
dapat berupa produk A.
 FUNGSI KENDALA
Kendala-kendala dalam berupa batasan-batasan ini dapat diekspresikan secara matematis
oleh fungsi kendala berikut:
 EX4. MODEL OPTIMASI
Taylor dan Huxley (1989) mengembangkan sistem penjadwalan patroli polisi (PPSS). Semua
kantor polisi San Francisco (SF) menggunakan PPSS untuk menjadwalkan petugas mereka.
Diperkirakan PPSS menyelamatkan lebih dari $ 5 juta polisi SF setiap tahun. Kota-kota lain
seperti Virginia Beach, Virginia, dan Richmond, California, juga telah mengadopsi PPSS.
 LANGKAH 1
SFPD menginginkan suatu metode untuk menjadwalkan petugas patroli di setiap kantor
polisi yang akan dengan cepat menghasilkan (dalam waktu kurang dari satu jam) jadwal dan
secara grafik menampilkannya. Program awal yang dilakukan harus menentukan
persyaratan personel untuk setiap jam dalam seminggu. Misalnya, 38 petugas mungkin
diperlukan antara 1 A.M. dan 2 A.M. Minggu tetapi hanya 14 perwira yang mungkin
dibutuhkan dari 4 A.M. ke 5 A.M. Minggu. Petugas kemudian harus dijadwalkan untuk
meminimalisir jumlah dari kekurangan dan surplus setiap jam dalam seminggu terkait
dengan jumlah petugas yang dibutuhkan. Misalnya, jika 20 petugas ditugaskan pada tengah
malam ke 8 A.M. Pergeseran hari Minggu, kita akan kekurangan 38-20 18 petugas dari 1
hingga 2 A.M. dan surplus 20 14 6 petugas dari 4 hingga 5 A.M. Kriteria sekunder adalah
untuk meminimalkan kekurangan maksimum karena kekurangan 10 petugas selama satu
jam jauh lebih serius daripada kekurangan satu petugas selama 10 jam yang berbeda. SFPD
juga menginginkan sistem penjadwalan yang kapten polisi dapat dengan mudah
menyempurnakan untuk menghasilkan jadwal yang optimal.
 LANGKAH 2
SFPD memiliki sistem pengiriman berbantuan komputer (CAD) yang canggih untuk melacak
semua panggilan untuk bantuan polisi, waktu perjalanan polisi, waktu respons polisi, dan
sebagainya. SFPD memiliki persentase waktu standar yang menurut para administrator
setiap petugas harus sibuk. Dengan menggunakan CAD, mudah untuk menentukan jumlah
pekerja yang dibutuhkan setiap jam. Misalkan, misalnya, seorang petugas harus sibuk 80%
dari waktu dan CAD menunjukkan bahwa 30,4 jam kerja masuk dari 4 hingga 5 A.M. Minggu.
Maka kita membutuhkan 38 petugas dari 4 hingga 5 A.M. pada hari Minggu [.8 * (38) 30,4
jam].
 LANGKAH 3
Model LP dirumuskan. Sebagaimana dibahas pada langkah 1, tujuan utama adalah untuk
meminimalkan jumlah kekurangan dan surplus per jam. Pada awalnya, penjadwal
mengasumsikan bahwa petugas bekerja lima hari berturut-turut selama delapan jam sehari
(ini adalah kebijakan sebelum PPSS) dan bahwa ada tiga waktu mulai shift (katakanlah, 6
A.M., 2 P.M., dan 10 A.M.). Kendala dalam model PPSS mencerminkan terbatasnya jumlah
petugas yang tersedia dan hubungan jumlah petugas yang bekerja setiap jam dengan
kekurangan dan surplus untuk jam tersebut. Kemudian PPSS akan menghasilkan jadwal
yang akan memberi tahu kapten polisi berapa banyak petugas yang harus mulai bekerja
pada setiap waktu shift yang memungkinkan. Misalnya, PPSS mungkin mengatakan bahwa
20 petugas harus mulai bekerja pada pukul 6 pagi. Senin (bekerja 6 A.M. – 2 P.M. Senin –
Jumat) dan 30 petugas harus mulai bekerja di 2 P.M. Sabtu (bekerja 2 P.M. – 10 P.M. Sabtu –
Rabu). Fakta bahwa jumlah petugas yang ditugaskan pada waktu mulai harus bilangan bulat
membuatnya jauh lebih sulit untuk menemukan jadwal yang optimal.
 LANGKAH 4
Sebelum menerapkan PPSS, SFPD menguji jadwal PPSS terhadap jadwal yang dibuat
secara manual. PPSS menghasilkan pengurangan sekitar 50% dalam surplus dan
kekurangan. Ini meyakinkan departemen untuk menerapkan PPSS.
 LANGKAH 5
Mengingat waktu mulai untuk shift dan jenis jadwal kerja [empat hari berturut-turut selama
10 jam per hari (jadwal 4/10) atau lima hari berturut-turut selama delapan jam per hari
(jadwal 5/8)], PPSS dapat menghasilkan jadwal yang meminimalkan jumlah kekurangan dan
surplus. Lebih penting lagi, PPSS dapat digunakan untuk bereksperimen dengan waktu shift
dan aturan kerja. Menggunakan PPSS, ditemukan bahwa jika hanya tiga kali shift
diperbolehkan, maka jadwal 5/8 lebih unggul dari jadwal 4/10. Namun, jika lima waktu shift
diperbolehkan, maka jadwal 4/10 ditemukan lebih unggul. Temuan ini sangat penting
karena petugas kepolisian ingin beralih ke jadwal 4/10 selama bertahun-tahun. Kota telah
menolak jadwal 4/10 karena mereka tampaknya mengurangi produktivitas. PPSS
menunjukkan bahwa jadwal 4/10 tidak perlu mengurangi produktivitas. Setelah PPSS
diperkenalkan, SFPD melakukan untuk jadwal 4/10 dan peningkatan produktivitas! PPSS
juga memungkinkan departemen untuk bereksperimen dengan campuran mobil patroli satu
petugas dan dua petugas.
 LANGKAH 6 & 7
Diperkirakan PPSS menciptakan 170.000 jam produktif tambahan per tahun, sehingga
menghemat kota San Francisco $ 5,2 juta per tahun. Sembilan puluh enam persen dari
semua pekerja lebih suka PPSS membuat jadwal daripada jadwal yang dibuat secara
manual. PPSS memungkinkan SFPD untuk membuat perubahan strategis (seperti
mengadopsi jadwal 4/10), yang membuat petugas lebih bahagia dan meningkatkan
produktivitas. Waktu respons terhadap panggilan meningkat sebesar 20% setelah PPSS
diadopsi.
 EX4. MODEL OPTIMASI
Alasan utama keberhasilan PPSS adalah bahwa sistem ini memungkinkan kapten polisi
untuk menyempurnakan jadwal yang dihasilkan komputer dan mendapatkan jadwal baru
dalam waktu kurang dari satu menit. Misalnya, kapten polisi dapat dengan mudah
menambah atau menghapus petugas dan menambah atau menghapus shift dan dengan
cepat melihat bagaimana perubahan ini mengubah jadwal induk.
 REFERENSI
Winston, L. Wayne. (2003). Introduction to Operation Research. Applications and
Algorithms 4th Edition. Duxbury Press.
Taha, Hamdy. A. (2017). Operation Research : An Introduction 10th Edition. Pearson
Education Limited.