MODEL
PENDAHULUAN
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
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
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
Pada contoh di atas, masalahnya adalah menentukan bagaimana memaksimalkan hasil Wozac dari
batch.
PEMBANGUNAN MODEL
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
Pada langkah ini, peneliti mengembangkan model matematika dari masalah. Dalam buku ini, kami
akan menjelaskan banyak teknik matematika yang dapat digunakan untuk memodelkan sistem.
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
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
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.