TUGAS TEKNIK OPTIMASI

Resume Jurnal Berjudul : Negative Total Float to Improve a Multi-objective Integer

Non-linear Programming for Project Scheduling Compression
( KELAS N )

Isnan Nurdiansyah 175100300111005

Alifatus Sholikhah 175100301111001

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS BRAWIJAYA

MALANG

2019
INFORMASI ARTIKEL

Judul : Negative Total Float to Improve a Multi-objective Integer Non-linear

Programming for Project Scheduling Compression
Jurnal : International Journal of Electrical and Computer Engineering (IJECE
Volume, No, dan Halaman : 8(6)5292-5302
Tahun : 2018
Penulis : Facrurrazi, Abdullah, Yuwaldi Away, dan Teuku Budi Aulia
1. LATAR BELAKANG
A. Alasan Penelitian
Kontraktor dalam menyelesaikan proyeknya harus dapat menekan jadwal objektif
kemudian dilanjutkan dengan menekan biaya objektif agar proyek tersebut menjadi strategis
dan mendapatkan dampak yang cepat terlihat sehingga memudahkan kontraktor untuk
mengusulkan program PSC (Project Scheduling Compression). Namun, untuk menekan biaya
proyek sebagai tujuan utama maka harus dapat menginisiatif PSC (Project Scheduling
Compression). Hal ini bertujuan agar hasil proyek dapat dilihat oleh pemilik proyek dan
mengejar waktu penyelesaian dibawah target kontrak sehingga tidak terjadi keterlambatan
proyek. Project Scheduling Compression (PSC) dapat dilakukan dengan dua teknik yaitu jalur
cepat, menabrak, atau menggabungkan kedua teknik tersebut. Optimasi menjadi proses yang
penting dan terus ditingkatkan untuk memecahkan masalah yang lebih kompleks dalam
berbagai bidang dalam beberapa dekade terakhir ini. Multi-Objective Programming (MOP)
merupakan sebuah teknik untuk mendapatkan solusi optimal yang melibatkan dua atau lebih
yang saling bertentangan tujuannya. MOP yang telah dikembangkan, belakangan ini
digunakan untuk memecahkan masalah yang dianggap sangat kompleks dan kurang praktis,
seperti genetik optimasi algoritma. Namun, jika menggunakan model dasar hanya dapat
memecahkan masalah yang sederhana, seperti MOP dengan goal programming. Pada
Project Scheduling Compression (PSC) dengan melibatkan Negative Total Float (NTF)
menuju model MOP dasar yang disebut MOINLP (Model Objective Integer Non-Linear
Programming). MOINLP berfungsi untuk menyelesaikan Project Scheduling Compression
(PSC) dengan variabel integer pada fungsi non-linear waktu-biaya tingkat tinggi. Pemecahan
masalah PSC yang memiliki model biaya waktu nonlinear akan menjadi lebih rumit dan
dinamis daripada tujuan linier. Oleh karena itu, membangun model yang sesuai dengan
pengoptimalan algoritma akan menjadi tugas penting dalam memecahkan masalah PSC.
B. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah mampu mengidentifikasi tujuan yang saling
bertentangan pada Project Scheduling Compression (PSC) dengan melibatkan Negative Total
Float (NTF). Selain itu MOINLP (Model Objective Integer Non-Linear Programming) juga turut
dikembangkan pada model dasar PSC. Hal ini bertujuan agar dapat membuat model yang
mudah dan inovatif untuk memecahkan masalah dalam Project Scheduling Compression
(PSC).
C. Teori dan Hasil Penelitian Sebelumnya
Pengembangan MOINLP (Model Objective Integer Non-Linear Programming) ini
berlandaskan pada model dasar penelitian Deckro dan Hebert (1990) yang merupakan model
sederhana atau standar untuk memecahkan kasus linier multiobjective. Project Scheduling
Compression (PSC) adalah masalah multi-objektif yang melibatkan tujuan yang saling
bertentangan dari beberapa fungsi kegiatan, terutama pada aktivitas kritis. Objek yang
bertentangan akan meningkat sejalan dengan tanggal jatuh tempo yang lebih kecil, yang
disebabkan oleh PSC. Penelitian ini telah berhasil melibatkan NTF untuk mengidentifikasi
tujuan yang saling bertentangan dan untuk meningkatkan kinerja model MOP dasar yang
disebut sebagai MOINLP. Penelitian ini telah dikembangkan untuk memperkenalkan kegiatan
NTF sebagai indikator kegiatan yang durasinya dapat dikurangi. Pada penelitian Lim dkk.
(2011), peneliti sengaja merekayasa NTF untuk mengetahui kegiatan yang akan dipercepat,
sehingga dapat di definisikan NTF sebagai nilai maksimum otomatis dari pengurangan durasi
aktivitas
2. METODE
A. Subjek Penelitian
Subjek penelitian ini adalah Project Scheduling Compression (PSC) dengan MOINLP
(Model Objective Integer Non-Linear Programming) yang melibatkan Negative Total Float
(NTF) untuk memecahkan kasus optimalisasi biaya proyek.
B. Bentuk/Metode Penelitian
Metode untuk memecahkan PSC (Project Scheduling Compression) adalah MOINLP
(Model Objective Integer Non-Linear Programming). MOINLP adalah model pengembangan
dari konsep dasar MOP (Multi-Objective Programming). Model MOP ini dikembangkan dan
diintegrasikan dengan melibatkan NTF (Negative Total Float), sebagai kendala tambahan
untuk model MOINLP. Hal ini bertujuan untuk memecahkan PSC yang kompleks. Pada
pengembangan algoritma MOINLP, diperlukan penggambaran kinerja operasional dengan
konsep CPM (Critical Path Method).
C. Teknik Pengumpulan Data
Metode pengumpulan data yang dipergunakan pada penelitian ini adalah data primer
dan data sekunder. Data primer adalah data yang diperoleh secara langsung oleh peneliti.
Data sekunder adalah data yang berasal dari data yang sudah ada sebelumnya.
D. Alat Pengumpulan Data
Pada pengumpulan data diterapkan model MOINLP (Model Objective Integer Non-
Linear Programming) yang menggunakan Solver Aplikasi Microsoft Excel Add-ins. Aplikasi
Solver adalah alat pengoptimalan menggunakan algoritma pemrograman tujuan. Kemudahan
dari Solver adalah karena kesederhanaannya dalam mengimplementasikan model
matematika ke dalam tabulasi dan sel-sel formula dengan lebih fleksibel. Metode Evolutionary
Multi-Objective (EMO) dari Solver akan digunakan untuk masalah yang membutuhkan output
integer dan solusi yang mudah. EMO dapat digunakan untuk memecahkan masalah optimasi
single-objective dengan fokus pada menemukan solusi optimal tunggal.

F. Definisi Operasional Variabel

Penggunaan populasi dalam evolutionary multi-objective memungkinkan Solver
memiliki kemampuan pencarian paralel untuk menemukan beberapa solusi yang tidak
didominasi dalam satu iterasi tunggal. Algoritma Solver didasarkan pada goal programming
dengan menggunakan parameter model fungsi tujuan (sebagai sel target), model kendala
(sebagai subjek kendala), dan menemukan nilai variabel (sebagai sel peubah). Kerangka
kerja yang digunakan untuk memecahkan masalah PSC menggunakan MOINLP. Model
MOINLP akan diterapkan pada proyek yang terdiri dari 12 fungsi non-linear dari aktivitas
proyek (fungsi 2 hingga 6 tingkat).
F. Cara Mengukur Variabel
 Analisis NTF (Negative Total Float) digunakan untuk mengidentifikasi tujuan yang
saling bertentangan pada PSC (Project Scheduling Compression). Analisis NTF didasarkan
pada prinsip CPM (Critical Path Method). Algoritma untuk CPM mengacu pada prosedur
forward dan backward. Prosedur forward CPM digunakan untuk menganalisis Early Start (ES)
dan Earliest Finish (EF), sedangkan prosedur backward CPM digunakan untuk menentukan
Latest Start (LS), Latest Finish (LF).
G. Langkah-Langkah Penelitian
Pada penelitian ini dilakukan melalui empat tahapan diantaranya yaitu CPM Algorithm,
MOINLP Algorithm, proses optimasi dan output. Pada proses CPM Algorithm dimulai dari
proses elaborasi dan implementasian Algoritma CPM ke dalam MS. Excel Sheet. Kemudian
data diinput lalu diintegrasikan dengan MOINLP Algoritma sehingga menghasilkan nilai (y)
pada PSC. Selanjutnya dilakukan proses optimasi dengan cara mengimplementasi dan
menjalankan model MOINLP menggunakan aplikasi SOLVER sehingga diperoleh output.
Tahapan penelitian dapat dilihat secara rinci pada Gambar 1.

H. Cara Analisis Data

Analisis NTF (Negative Total Float) digunakan untuk mengidentifikasi tujuan yang
saling bertentangan pada PSC (Project Scheduling Compression). Analisis NTF didasarkan
pada prinsip CPM (Critical Path Method). Nilai NTF pada masing-masing kegiatan dapat
memiliki nilai negatif, nilai positif, atau nilai nol. NTF dari kegiatan proyek dapat terjadi jika
Latest Finish (LF) kurang dari Earliest Finish (EF) di simpul terminal dari diagram jaringan
CPM. Dimana, LF di terminal node harus sama dengan Project Crashing (PC). Perbedaan
antara dua parameter (LF dan EF) adalah nilai y dari PSC.
3. HASIL DAN PEMBAHASAN
A. Hasil Penelitian

Berdasarkan informasi pada tabel 1, kami membangun diagram jaringan proyek

menggunakan analisis CPM. Analisis ini memberikan hasil EF 61 hari sebagai tanggal jatuh
tempo proyek normal (Pn) dan jalur kritis terdiri dari aktivitas kritis A, D, G, J, seperti yang
ditunjukkan pada gambar 2.

Analisis ini akan berkontribusi untuk memahami kombinasi kegiatan yang dipercepat
(saling bertentangan kegiatan) di PSC menggunakan MOINLP. Jumlah tujuan yang
bertentangan dapat bervariasi, tergantung pada model jaringan dan jumlah PSC yang
direncanakan. Dalam penelitian ini, kami mengidentifikasi kegiatan yang telah dialami tujuan
yang saling bertentangan. Dalam implementasi aktual jadwal, kondisi NTF mungkin terjadi. ini
mungkin disebabkan oleh keterlambatan aktivitas pendahulunya atau disebabkan oleh
aktivitas yang telah dilaksanakan lebih lama dari durasi kegiatan yang direncanakan, terutama
dalam aktivitas kritis. Kondisi ini mirip dengan kasusnya PSC, di mana durasi aktivitas
terkompresi dikondisikan sebagai aktivitas kritis yang dilakukan lebih cepat dari waktu normal.
Studi ini meningkatkan MOINLP dengan menambahkan batasan Negatif Total Float
(NTF), yang mengindikasikan sebagai nilai yang harus dipenuhi untuk mencapai PSC yang
diharapkan. Kepuasan dari kegiatan yang memiliki NTF adalah dicapai dengan mengurangi
durasi aktivitas (𝑥𝑛). Beberapa kombinasi aktivitas dapat berpotensi puas (dikurangi) untuk
mencapai target PSC. Kombinasi terbaik dari pemilihan aktivitas adalah total minimum biaya
beberapa kegiatan (sebagai biaya tambahan minimum proyek) berdasarkan fungsi waktu-
biaya dari aktivitas. Tabel 3 dan Tabel 4 menunjukkan output PSC untuk y pada 6 dan 7 hari
(pengurangan durasi proyek) menggunakan Model MOINLP disimulasikan oleh Solver.
Keluaran menggambarkan hasil dengan dua kategori, yaitu: solusi optimal menunjukkan nilai
minimum tujuan keluaran dan solusi yang layak adalah hasil dari ruang solusi dan itu masih
belum minimal

B. Pembahasan
Makalah ini menyajikan peran NTF untuk mencapai tujuan kegiatan yang saling
bertentangan untuk mencapai PSC. Hasil dari tujuan yang bertentangan dalam MOINLP dari
PSC seperti yang ditunjukkan pada Tabel 2 menunjukkan ada korelasi nilai NTF dengan
pengurangan maksimum kegiatan untuk solusi yang optimal dan layak MOINLP untuk PSC
seperti yang ditunjukkan 𝑥𝑛 pada Tabel 3 dan Tabel 4. Sebagai ilustrasi untuk PSC dengan
nilai y dari 7 hari-hari yang memiliki aktivitas yang saling bertentangan adalah A, C, D, G, I, J,
K, dan L dengan NTF masing-masing adalah -7, -1, -7, 7, -1, -7, -1, dan -1 seperti yang
ditunjukkan pada Tabel 4. Dalam Tabel 4 menunjukkan bahwa PSC akan puas dengan
mengompresi angka kombinasi beberapa atau semua kegiatan proyek (kegiatan A, C, D, G,
I, J, K, dan L), dengan nilai 𝑥𝑛 adalah tidak melebihi nilai NTF-nya. Ini adalah hal baru dari
penelitian ini di mana NTF dapat secara otomatis maksimum nilai pengurangan durasi
aktivitas, meskipun kami tidak menentukan nilai maksimum durasi aktivitas pengurangan
(𝑥𝑛𝑚𝑎𝑥). Dengan demikian, penelitian ini merumuskan Xn Variabel (jumlah pengurangan
durasi aktivitas) memiliki batasan sebagai rumus.
Anggapan kami, model MOINLP ini akan memberikan proses optimisasi lebih cepat
dari sebelumnya model untuk mencapai solusi optimal. Ini adalah penelitian masa depan
untuk menilai lama waktu iterasi proses optimasi, baik untuk model diskrit atau bahkan model
durasi distribusi, untuk mencapai solusi optimal dari masalah PSC. Berdasarkan hasil ini
menunjukkan bahwa ada hubungan antara NTF, sebagai kendala pada model yang
dikembangkan dalam makalah ini, dengan solusi yang optimal dan solusi yang layak. Itu solusi
menunjukkan pentingnya menggunakan NTF pada model yang dikembangkan, terutama
dalam penelitian ini. Beberapa dari mereka, yang bisa kami jelaskan di sini adalah: setiap
kegiatan dengan nilai NTF adalah tujuan yang bertentangan dari MOINLP untuk kasus PSC,
Nilai usang NTF (| NTF |) adalah nilai maksimum yang dapat dicapai oleh aktivitas kompresi
(dalam hal tidak ada batas maksimum yang ditentukan untuk aktivitas kompresi, lihat Xnmax
pada Tabel 1) dan dalam hal PSC, pengurangan durasi aktivitas tidak dapat menurun tetapi
akan meningkat atau sejalan dengan meningkatnya PSC. Penjelasannya adalah, nilai xn
(durasi pengurangan aktivitas) yang disebabkan oleh y (nilai PSC) lebih atau sama dengan
xn yang disebabkan oleh y-1 (bisa dibandingkan pada Tabel 3 dan Tabel 4). Kasing PSC ini
memiliki perbedaan dari kasing produk / material tempat variabelnya dapat naik dan turun
sejalan dengan peningkatan targetnya.
4. PENUTUP
A. Kesimpulan
NTF dapat digunakan untuk mengidentifikasi tujuan yang saling bertentangan dalam
kasus-kasus PSC. Kombinasi kegiatan yang memiliki NTF akan bersaing satu sama lain untuk
mencapai biaya tambahan minimum kompresi proyek. Ini harus dilakukan tanpa mengabaikan
prinsip-prinsip CPM dan layak dari semua kendala MOINLP. NTF dapat dimanipulasi dengan
mengganti nilai Finish Terakhir (LF) pada terminal simpul diagram jaringan dengan nilai 𝑃𝑐
(tanggal jatuh tempo kompresi proyek) untuk mengetahui yang mana dari durasi aktivitas
berkurang. Dalam tulisan ini, kami meningkatkan kinerja model dasar MOP untuk dipecahkan
masalah kompleks PSC dengan memperkenalkan konsep MOINLP. Melibatkan NTF dalam
MOINLP memiliki peran penting dan titik kunci untuk meningkatkan MOINLP.
Negatif Total Float (NTF) dapat dimanipulasi dengan mengganti nilai Finish Terakhir
(LF) di sebuah simpul terminal diagram jaringan proyek sebagai tanggal jatuh tempo Kompresi
penjadwalan proyek (𝑃𝑐). Untuk tujuan melakukan PSC, 𝑃𝑐 tentu saja memiliki nilai yang lebih
kecil daripada Proyek Awal yang Normal (EF). Perbedaan-perbedaan ini dapat menghasilkan
NTF pada beberapa atau semua kegiatan. Pemulihan NTF dapat dilakukan oleh mengurangi
jumlah durasi aktivitas di jalur yang sesuai. Ini adalah hal yang logis di PSC. Mendasarkan
pada kondisi tersebut, kami mendefinisikan bahwa Negatif Total Float (NTF) adalah nilai
maksimum untuk mengurangi durasi kegiatan untuk mencapai tanggal jatuh tempo
penjadwalan Proyek Compressio.

B. Kekuatan Penelitian
Metode yang digunakan sudah sesuai dan banyak sudut pandang. Hasil penelitian
sangat lengkap dan detail ditambah dengan gambar table dan gambar pendukung lainnya.
Serta penggunaan rumus mudah dipahami.

C. Kekurangan Penelitian
Belum ada penjelasan rinci mengenai table dan gambar sehingga harus membaca
sampai selesai baru dapat memahami isi table dan gambar. Terdapat variabel yang hampir
yang dapat mensalah artikan di rumus nantinya. Metode yang digunakan memang sudah
sesuai dan banyak sudut pandang akan tetapi penyampaian penulis masih sangat kurang
dalam penjabaran detailnya, jika tidak ada table dan gambar mungkin akan susah dipahami.
D. Potensi Penelitian Berikutnya
Penelitian sangat mungkin untuk diteruskan karena kebutuhan akan penjadwalan
proyek tentunya akan mempermudah jalannya perusahaan. Namun harus lebih baik lagi
karena masih banyak beberapa kekurangan dan beberapa hal juga bias tetap dipertahankan
seperti hasil table, gambar dan rumus yang jelas. Harapannya penelitian dilakukan secara
matang rinci dan detail.