HANDBOOK OF
OPERATIONS
RESEARCH
0
DAFTAR ISI
1
METODE GRAFIK PADA LINEAR PROGRAMMING
Yaitu salah satu metode dalam linear programming yaitu suatu model untuk
optimal, dimana metode grafik ini adalah cara untuk menentukan kombinasi
c. Kesimpulan:
Nilai optimum berada di titik C (5, 5/6) yaitu 27,5 atau Rp275.000, yang artinya bahwa untuk
mencapai laba maksimum sebesar Rp275.000 maka perusahaan harus memproduksi sepatu
merek I sebanyak 5 dosin dan memproduksi sepatu merek II sebanyak 5/6 dosin setiap hari
4
METODE SIMPLEKS DALAM LINEAR PROGRAMMING
yang terbatas secara optimal, dimana metode simpleks ini adalah cara untuk
menentukan kombinasi optimal dari tiga variable atau lebih. Jika hanya
X3 0 2 0 1 0 0 8
Slack
X4 0 0 3 0 1 0 15
X5 0 6 5 0 0 1 30
Variabel Dasar Z X1 X2 X3 X4 X5 NK
Z 1 -3 -5 0 0 0 0
X3 0 2 0 1 0 0 8
X4 0 0 3 0 1 0 15
X5 0 6 5 0 0 1 30
6
• Memilih baris kunci, angka kunci, dan nilai indeks
Variabel
Z X1 X2 X3 X4 X5 NK Ket
Dasar
Z 1 -3 -5 0 0 0 0 0/-5 = 0
X3 0 2 0 1 0 0 8 8/0 = tak terhingga
X4 0 0 3 0 1 0 15 15/3 = 5 (minimum)
X5 0 6 5 0 0 1 30 30/5 = 6
Z 1
X3 0
X2 0 0/3 = 0 3/3 = 1 0/3 = 0 1/3=1/3 0/3 = 0 15/3 = 5
X5 0
• Mengubah nilai baris kunci
V.
Z X1 X2 X3 X4 X5 NK
D
Z 1 -3 -5 0 0 0 0
X3 0 2 0 1 0 0 8
X4 0 0 3 0 1 0 15
X5 0 6 5 0 0 1 30
Z 1 -3-(-5 x 0)=-3 -5-(-5 x 1)=0 0-(-5 x 0)=0 0-(-5 x 1/3)=5/3 0-(-5 x 0)=0 0-(-5 x 5)=25
X3 0 2-(0 x 0)= 2 0-(0 x 1)=0 1-(0 x 0)=1 0-(0 x 1/3)=0 0-(0 x 0)=0 8-(0 x 5)=8
X2 0 0 1 0 1/3 0 5
X5 0 6-(5 x 0)=6 5-(5 x 1)=0 0-(5 x 0)=0 0-(5 x 1/3)=-5/3 1-(5 x 0)=1 30-(5 x 5)=5
• Perbakan nilai
V. D Z X1 X2 X3 X4 X5 NK Ket
Z 1 -3 0 0 5/3 0 25 25/-3
X3 0 2 0 1 0 0 8 8/2
X2 0 0 1 0 1/3 0 5 5/0
X5 0 6 0 0 -5/3 1 5 5/6
Z 1
X3 0
X2 0
X1 0 6/6 =1 0/6 =0 0/6 =0 -5/3 / 6=-5/18 1/6 5/6
Z -3-(-3 x 1)= 0-(-3 x 0)= 0-(-3 x 0)= 0-(-3 x -5/18)= 0-(-3 x 1/6)= 25-(-3 x 5/6)=
1
0 0 0 5/6 1/2 27 1/2
X3 2-(2 x 1)= 0-(2 x 0)= 1-(2 x 0)= 0-(2 x -5/18)= 0-(2x 1/6)= 8-(2 x 5/6)=
0
0 0 1 5/9 -1/3 6 1/3
X2 0 0 1 0 1/3 0 5
X1 0 1 0 0 -5/18 1/6 5/6
b. Kesimpulan:
7
Jumlah produk yang harus diproduksi setiap sepatu yaitu:
X1 = Sepatu I = 5/6 lusin
X2 = Sepatu II = 5 Lusin
Yaitu suatu metode yang digunakan untuk mengatur distribusi dari sumber-
METODE TRANSPORTASI
8
• Penyusunan table alokasi yang terdiri dari kapasitas pabrik (kolom terakhir paling
kanan), kebutuhan gedung (baris paling bawah), serta biaya (segi empat)
• Menentukan nilai baris dan nilai kolom menggunakan persamaan:
Ri + K j = C ij
Apabila nilai indeks perbaikan bernilai negative, berarti bila diisi (ialokasi) akan dapat
mengurangi jumlah biaya pengangkutan, dan sebaliknya.
Memilih titik tolak perubahan, yaitu pilih segi empat yang indeks nya bertanda
negative dan angkanya terbesar
Memperbaiki alokasi dengan cara:
1) Beri tanda positif pada segi empat yang terpilih sebagai titik tolak perubahan
2) Beri tanda negative pada:
o 1 segi empat terdekat yang isi dan sebaris, dan
o 1 segi empat terdekat yang isi dan sekolom
3) Pilih 1 segi empat yang sebaris atau sekolom dengan 2 segi empat yang bertanda
negative tadi, lalu beri tanda positif
4) Pindahlah alokasi dari segi empat yang bertanda negative ke yang bertanda positif
sebanyak isi terkecil dari segi empat yang bertanda positif
Ulangi langkah tersebut hingga diperoleh biaya terendah yaitu jika sudah tidak ada
indeks yang negative. Jika sudak tidak ada yang negative berarti biaya sudah optimal.
c. Metode Vogel
Susun kebutuhan, kapasitas masing-masing sumber, dan biaya pengangkutan ke dalam
matriks
9
Cari perbedaan dari 2 biaya terkecil (dalam nilai absolut), yaitu biaya terkecil dan
terkecil kedua untuk tiap baris dan kolom pada matriks.
Pilih 1 nilai perbedaan-perbedaan yang terbesar di antara semua nilai perbedaan pada
kolom dan baris
Isilah sebanyak mungkin pada salah satu segi empat yang termasuk dalam kolom atau
baris terpilih, yaitu pada segi empat yang biayanya terendah di antara segi empat lain
pada kolom/baris itu.
Hilangkan baris terpilih tadi karena baris tersebut sudah penuh sehingga tidak
mungkin diisi lagi
Tentukan kembali perbedaan biaya pada langkah (b) untuk kolom dan baris yang
belum terisi sampai semua baris dan kolom sepenuhnya teralokasi.
Catatan:
Untuk kapasitas yang tidak sama dengan kebutuhan, maka perlu disesuaikan
dengan membuat kolom atau baris semu (dummy)
Jika kapasitas > kebutuhan = perlu tambahan gudang dummy
Jika kapasitas < kebutuhan = perlu tambahan pabrik dummy
10
Pabrik H 15 20 10
Pabrik P 25 10 19
b. Penylesaian :
a. Metode Stepping Stone
a) Tabel alokasi (tinta merah = biaya)
Gudang A Gudang B Gudang C Kapasitas Pabrik
Dari Ke
Pabrik W 20 5 8 90
Pabrik H 15 20 10 60
Pabrik P 25 10 19 50
Kebutuhan 50 110 40
200
Gudang
b) Prosedur alokasi (angka yg di bold = jumlah produk yg dialokasikan)
Dari Ke Gudang A Gudang B Gudang C Kapasitas Pabrik
Pabrik W 50 20 40 5 8 90
Pabrik H 15 60 20 10 60
Pabrik P 25 10 10 40 19 50
Kebutuhan 50 110 40
200
Gudang
12
b. Metode MODI
a) Isilah table pertama dari sudut kiri atas ke kanan bawah
b) Menghitung nilai baris dan kolom menggunakan ( Ri + K j = C ij)
Gudang
Gudang AA Gudang Gudang
B B Gudang Gudang
C C Kapasitas
Kapasitas Pabrik
Dari Ke 20-0=20 5-0=5 19-5=14 Pabrik
Dari W = 0
Pabrik Ke 20-0=20
50 20 5-0=5 40 19-5=14
5 8 90
Pabrik W = 0
Pabrik H = 20-5=15 20 15 90 5
60 20 8 10 90 60
Pabrik
Pabrik P =H10-5=5
= 20-5=15 50 15 (-)25 10 20
10 (+)10 10 10 40 19 60 50
Pabrik P = 10-5=5
Kebutuhan Gudang 50 25 (+) 10 20 10
110 (-) 40 30 19
40 50200
Kebutuhan Gudang 50 110 40 200
c) MenghitungSegi
indeks perbaikan menggunakan (C ijIndeks
Empat
−R i - K j = indeks perbaikan)
Perbaikan
HA 15 – 15 – 20 = -20 (titik tolak perubahan)
PA 25 – 5 - 20 = 0
WC 8 – 0 – 14 = -6
HC 10 – 15- 14 = -19
13
Perbaikan 3:
Segi Empat Indeks Perbaikan
WA 20 – 0 – 20 = 0
PA 25 – 5 - 20 = 0
WC 8 – 0 – 14 = -6 (titik tolak perubahan)
HB 20 – 5- 5 = 10
14
Pabrik
H 15 20 10 60 5
Kebutuhan 50 60 40 Pilihan Xwb = 60
Perbedaan Kolom 5 15 2 Hilangkan kolom B
Gudang
Kapasitas Perbedaan Baris
A C
W 20 8 30 12
Pabrik
H 15 10 60 5
Kebutuhan 50 40 Pilihan Xwc = 30
Perbedaan Kolom 5 2 Hilangkan baris W
Gudang
Kapasitas
A C
Pabrik H 15 10 60
Kebutuhan 50 40 Pilihan Xha = 50
Pilihan Xhc = 10
Kesimpulan
15
METODE PENUGASAN
Dengan batasan:
A. Masalah Minimisasi
Suatu perusahaan kecil mempunyai 4 pekerjaan yang berbeda untuk diselesaikan oleh 4
karyawan. Biaya penugasan seorang karyawan untuk pekerjaan yang berbeda adalah berbeda
karena sifat pekerjaan berbeda-beda. Setiap karyawan mwmpunyai tingkat keterampilan,
pengalaman kerja dan latar belakang Pendidikan serta latihan yang berbeda pula. Sehingga
biaya penyelesaian pekerjaan yang sama oleh para karyawan-karyawan yang berlainan juga
berbeda. Matriks dibawah menunjukkan biaya penugasan karyawan untuk bermacam-macam
pekerjaan.
Pekerjaan I II III IV
Karyawan (Rp) (Rp) (Rp) (Rp)
A 15,00 20,00 18,00 22,00
B 14,00 16,00 21,00 17,00
C 25,00 20,00 23,00 20,00
D 17,00 18,00 18,00 16,00
16
a. Langkah penyelesaian:
1. Mengubah matriks biaya menjadi matriks opportunity cost. Dengan memilih elemen
terkecil dari setiap baris dari matriks biaya mula-mula untuk mengurangi seluruh
elemen dalam setiap baris. Paling sedikit ada satu elemen bernilai nol.
Pekerjaa II
I II IV
n I
Karyawan
A 0 5 3 7
B 0 2 7 3
C 5 0 3 0
D 1 2 2 0
3. Mencari skedul penugasan dengan suatu total-opportunity-cost nol. Untuk penugasan ini
dibutuhkan 4 “independent zeros”. Untuk tes optimalisasi dilakukan dengan menarik
sejumlah minimum garis horizontal dan/atau vertical untuk meliput seluruh elemen
bernilai nol. Jika jumlah garis tidak sama dengan jumlah kolom/baris maka harus
direvisi.
Pekerjaan
Karyawan II III IV
I
A 0 5 1 7
B 0 2 5 3
C 5 0 1 0
D 1 2 0 0
4. Revisi total-opportunity-cost matrix, pilih elemen terkecil yang belum terliput garis
(opportunity-cost terendah) untuk mengurangi seluruh elemen yang belum terliput garis.
17
Kemudian tambahkan dengan nilai elemen terkecil tersebut keseluruh elemen yang
mempunyai dua garis yang saling bersilangan.
18
Pekerjaan
Karyawan I II III IV
A 0 4 0 6
B 0 2 5 3
C 6 0 1 0
D 2 2 0 0
19
Matriks keuntungan:
Pekerjaan
Karyawan I (Rp) II (Rp) III (Rp) IV (Rp) V (Rp)
a. Langkah langkahnya adalah:
A 10,00 12,00 10,00 8,00 15,00
B 14,00 10,00 9,00 15,00 13,00
C 9,00 8,00 7,00 8,00 12,00
D 13,00 15,00 8,00 16,00 11,00
E 10,00 13,00 14,00 11,00 17,00
A 4 2 2 7 0
B 0 4 3 0 2
C 2 3 2 4 0
D 2 0 5 0 5
E 6 3 0 6 0
20
3. Penentuan penugasan optimal,
pada table diatas, hanya terdapat empat garis yang meliput elemen nol. Jadi matriks
harus dikurangi (seperti langkah yang dijelaskan di sebelumnya). Maka table
optimalnya:
Pekerjaan
I II III IV V
Karyawan
A 2 0 0 5 0
B 0 4 3 0 4
C 0 1 2 2 0
D 2 0 5 0 7
E 6 3 0 6 2
21
ANALISA NETWORK
Kebutuhan penyusunan network ini dirasakan karena perlu adanya koordinasi dan
pengurutan kegiatan-kegiatan pabrik yang kompleks, yang saling berhubungan dan saling
tergantung satu sama lain. Hal ini dilakukan agar perencanaan dan pengawasan semua
kegiatan itu dapat dilakukan secara sistematis, sehingga dapat diperoleh efisiensi kerja.
22
Hubungan pekerjaan-pekerjaan tersebut dapat ditunjukkan dengan network seperti berikut:
2
5
2
1 3 4
4
5
3
Angka pada anak panah menunjukkan jangka waktu yang diperlukan oleh kegiatan yang
bersangkutan
D. Beberapa Hal yang Perlu Diperhatikan di dalam Analisa Network
a. Sebelum suatu kegiatan dimulai, semua kegiatan yang mendahuluinya harus sudah selesai
dikerjakan.
b. Gambar anak panah hanya sekedar menunjukkan urut-urutan di dalam mengerjakan
pekerjaan saja. Panjang anak panah dan arahnya tidak menunjukkan letak dari pekerjaan.
c. Nodes (lingkaran yang menunjukkan kejadian) diberi nomor sedemikian rupa, sehingga tidak
terdapat nodes yang mempunyai nomor sama. Untuk menghindari arah anak panah yang
berulang-kembali, biasanya nomor yang lebih kecil diletakkan pada awal anak panah, sedang
pada akhir anak panah diberi nomor yang lebih besar.
1 2
1 2 3
3
Nomor nodes yang betul
d. Dua buah kejadian (events) hanya bisa dihubungkan oleh satu kegiatan (anak panah)
e. Network hanya dimulai dari satu kejadian awal (initial event) yang sebelumnya tidak ada
pekerjaan yang mendahuluinya. Di samping itu networks diakhiri oleh satu kejadian saja
(terminal event).
E. Dummy Activities
Kegiatan semu adalah bukan kegiatan yang dianggap sebagai kegiatan, hanya saja tanpa
memerlukan waktu, biaya, dan fasilitas. Adapun kegunaan dari kegiatan semu antara lain sebagai
berikut :
23
a. Untuk menghindari terjadinya dua kejadian dihubungkan oleh lebih dari satu kegiatan
(kegiatan a, b, dan c), dengan kegiatan-kegiatan semu hal ini dapat diatasi, yaitu ketiga
kegiatan tersebut dapat dimulai dari kejadian yang tidak sama.
2
a a
b 1 b 4
1 2
c
c 3
Dua events dihubungkan oleh 3 kegiatan Setiap 2 kejadian hanya dihubungkan oleh 1
kegiatan, sebab kita gunakan dummy activities
b. Network harus dimulai oleh satu kejadian dan diakhiri oleh satu kejadian, maka kadang-
kadang harus ditambahkan satu kejadian semu pada awal suatu network, suatu kejadian semu
pada akhir network, dan kegiatan-kegiatan semu yang menghubungkan kejadian awal atau
kejadian akhir engan kejadian-kejadian di dalam network, apabila netwok dimulai atau
diakhiri oleh beberapa kejadian.
c. Kegunaan “dummy activities” berikutnya adalah untuk menunjukkan urut-urutan pekerjaan
yang tepat. Misalnya ada 4 kegiatan : a, b, c, dan d. kegiatan a mendahului kegiatan
c(biasanya ditulis a < c), kegiatan b mendahului kegiatan c, dan kegiatan b mendahului
kegiatan d. menunjukkan hubungan yang salah, sebab seolah-olah kegiatan d harus didahului
oleh kegiatan a, pada hal nyatanya tidak demikian.
a c
a c
X
b d
b d
24
G. Istilah-istilah Lain yang Digunakan dalan Analisa Network
a. Earliest Start Time(ES): yaitu waktu tercepat untuk bisa memulai suatu kegiatan dengan
waktu normal, tanpa menganggu kegiatan yang lain.
b. Earliest Finish Time (EF) : yaitu waktu paling cepat untuk dapat menyelesaikan suatu
kegiatan dengan menggunakan waktu normal, tanpa mengganggu kelancaran pekerjaan-
pekerjaan yang lain.
c. Lattest Start Time (LS): yaitu waktu yang paling lambat untuk bisa memulai suatu kegiatan
dengan waktu normal, tanpa menganggu kelancaran kegiatan-kegiatan yang lain.
d. Lattest Finish Time (LF): yaitu waktu paling lambat untuk menyelesaikan suatu kegiatan
dengan waktu normal, tanpa mengganggu kelancaran kegiatan-kegiatan yang lain.
H. Analisa Network dengan Metode Algoritma
Kalau networknya kompleks, maka sulit sekali menghitungnya dengan cara sederhana
seperti tersebut di atas. Untuk itu bisa digunakan Metode Algorithma
a. Algorithma ES dan EF
Pada metode ini kita cari ES dan EF setiap kegiatan.
Contoh: Pembuatan suatu barang dapat diselesaikan dengan beberapa kegiatan, karena
prasyarat kegiatan f adalah kegiatan b dan e, maka terdapat dummy activity 3.
Kegiatan yang
Kegiatan Keterangan Waktu (minggu)
mendahului
a Merencanakan - 10
b Memesan mesin a 2
c Menyesuaikan mesin b 8
d Pesan material untuk rangka a 4
e Membuat rangka d 3
f Finishing rangka b, e 1
g Pasang mesin pada rangka dan c, f 5
stel
3
(c,8)
(b,2)
(a,10) (g,5)
1 2 6 7
(d,4) (e,3)
4 5 (f,1)
Network dari pekerjaan pembuatan barang X.
Untuk menentukan jalur kritis dapat dilakukan dengan EF algorithma dengan cara sebagai
berikut:
1) Tuliskan waktu mulai tercepat (ES) di sebelah kiri dan waktu selesai tercepat (EF) di
sebelah kanan masing-masing kegiatan, sedang kegiatan dituliskan di belakang simbol
25
kegiatan tersebut (a, 10). E a = 0, dikerjakan dengan kegiatan a 10 minggu, EF a =
minggu ke-10.
2) Setelah kegiatan a selesai, dapat dilanjutkan dengan kegiatan b atau kegiatan d
0 a,10 10
10 b,2 12 10 d,40 14
12 c,8 20 14 e,3 17
17 f,1 18
20 g,5 25
Algorithma EF
3) Kerjakan dulu jalur b, c. ES kegiatan b adalah EF kegiatan a, yaitu minggu ke-10.
Kegiatan b dikerjakan selama 2 minggu, sehingga EF kegiatan b = minggu ke-12. EF
kegiatan b merupakan ES kegiatan c. oleh karena itu, EF kegiatan c adalah minggu ke-12
ditambah lamanya pengerjakan kegiatan c (=8) minggu, yaitu sama dengan minggu ke-
20. Seharusnya proses dilanjutkan dengan kegiatan g, tetapi karena untuk memulai
kegiatan g, syarat bahwa kegiatan f harus sudah selesai maka kita tinjau dulu jalur d, e, f.
4) Dengan proses yang sama, kita hitung ES kegiatan D, yaitu sama dengan minggu ke-10,
dan EF-nya minggu ke-14. Untuk kegiatan e, ES adalah minggu ke-14 dan EF minggu
ke-17, dan untuk kegiatan f, ES minggu ke-17 dan EF minggu ke-18.
5) Untuk kegiatan g, ES dipilih dari EF kegiatan c atau EF kegiatan f yang terpanjang.
Dalam hal ini yang terpanjang 20. Jadi ES kegiatan g, minggu ke-20. Kegiatan g
memerlukan waktu 5 minggu, jadi EF kegiatan g minggu ke-25.
6) Dengan demikian proyek tersebut akan dapat diselesaikan dengan 25 minggu, atau
panjang jalur kritis 25 minggu. Sedang jalur kritis adalah rangkaian kegiatan a, b, c, g;
atau lingkaran 1, 2, 3, 6, 7.
7) Dengan demikian proyek tersebut akan dapat diselesaikan paling cepat 25 minggu, atau
EF dari proyek tersebut pada akhir minggu ke-25.
b. Algorithma LS dan LF
1) Dalam algorithma LS pertama-tama ditentukan dulu kapan proyek akan selesai.
26
2) Untuk menentukan LS dan LF dihitung dari belakang, sampai tercapai kegiatan yang
pertama.
3) Contoh : yang dipakai pada algorithma EF. Tentu saja waktu selesai yang ditentukan
tidak dapat di bawah 25 minggu (sebelum minggu ke-25), karena bila harus selesai
sebelum minggu ke-25 (dengan waktu normal), maka ES kegiatan pertama negatif (harus
dimulai sebelum awal minggu pertama). Prosesnya dapat dilihat pada Gambar 7.10.
gambar tersebut mirip dengan gambar algorithma EF, hanya ditambahkan LS dan LF di
bawah ES dan EF. LF kegiatan g = 25 minggu, LF kegiatan c = (25-5) minggu = 20
minggu, LF kegiatan f = 20, LF kegiatan e = (20-1) minggu = 19 minggu dan seterusnya.
I. Slack dan Float (Waktu Longgar)
a. Slack adalah perbedaan latest dan earliest event time. Jadi slack merupakan perbedaan antara
LS dengan ES atau perbedaan antara LF dengan EF.
b. Adapun nama yang digunakan untuk network yang disusun berdasar kegiatan, biasanya
disebut dengan float.
Sehingga untuk kegiatn f mempunyai float satu minggu, demikian pula kegiatan-kegiatan d dan e
masing-masing juga mempunyai slack 1 minggu. Bila perlu sebenarnya kegiatan d bisa ditunda 2
minggu, sehinga dapat dimulai pada minggu ke-12 tanpa menunda selesainya proyek.
Kelonggaran waktu yang 2 minggu ini disebut total slack (kelonggaran total). Disamping itu,
kegiatan-kegiatan e maupun f masing-masing juga mempunyai slack 2 minggu. Bila kegiatan d
ditunda 2 minggu, maka kegiatan e dan f tidak punya slack. (Gambar algorithma LS):
1
0
a, 0
10
1 1 1 1
0 b, 2 0 d, 4 slac
11 2 21 1
1 40 1 k
20 c, 02 4
2 e, 67 slac
1 8 2 1 3 1 k
2 7
6 f, 98 slac
0
2 1 2 1 2 k
0 g, 9 5 0
E 2 E 5 2
S 0 F 5
L L
S F
27
J. Analisa Network dengan Metode Matriks
a. Digunakan contoh persoalan di depan, yaitu network seperti berikut:
(b,2) 3 (c,8)
(a,10) (g,5)
1 2 6 7
(d,4) (e,3)
4 5 (f,1)
Gambar Network
EF Dari Ke 2 3 4 5 6 7
0 1 10
10 2 2 4
12 3 8
14 4 3
17 5 1
20 6 5
25 7
1 2 3 4 5 6 7
LF 0 10 12 16 19 20 25
Tabel kegiatan, EF dan LF
b. Adapun tahap-tahap penyelesaiannya adalah sebagai berikut :
1. Algorithma EF memakai matriks dengan langkah-langkah sebagai berikut :
(1) Buatlah tabel dengan noes (event) asal ditulis pada kolom ke-2 (dari event 1, 2, dan
seterusnya), dan nodes tujuan di baris pertama (ke event 2, 3, 4, dan seterusnya).
(2) Tuliskan waktu tiap-tiap kegiatan pada pertemuan antara baris asal dengan kolom
tujuan. Pada kolom paling kiri (dalam segi empat) tuliskanlah EF, EF event 1 adalah
0, karena tanpa kegiatan yang mendahuluinya.
(3) EF event 2 sebesar 10 minggu. Asalnya dari 0 (EF event 1) ditambah 10 minggu
(waktu kegiatan 1-2).
(4) EF event 3 adalah 10 minggu (EF event 2) ditambah 2 minggu (waktu kegiatan 2-3),
sebesar 12 minggu.
(5) EF event 4 adalah 10 minggu (EF event 2) ditambah 4 minggu (waktu kegiatan 2-4),
sebesar 14 minggu (karena event 4 mempunyai prasyarat event 2), begitu seterusnya,
sehingga EF event 5, 6, 7, masing-masing 17 minggu, 20 minggu, 25 minggu.
2. Algorithma LF memakai matriks dengan langkah-langkah sebagai berikut :
(1) Letaknya LF pada baris paling bawah (dalam segi empat)
(2) Selesainya proyek 25 minggu
28
(3) LF event 6 = 20 minggu, adalah 25 minggu dikurangi 5 minggu (lama kegiatan 6-7)
(4) LF kegiatan 5 = 19 minggu adalah 20 minggu dikurangi 1 minggu (waktu kegiatan 5
= 6)
(5) Demikian seterusnya, sehingga LF kegiatan 4, 3, 2, dan 1 masing-masing 16 mingu,
12 minggu, 10 minggu, dan 0.
3. Menentukan jalur kritis, yaitu jalur yang mempunyai EF sama dengan LF. Oleh karena
itu jalur kritisnya adalah 1, 2, 3, 6, 7.
K. Analisa Network dengan Metode Linear Programming
Caranya dengan menentukan fungsi tujuan (objective function), yaitu mencari jalur yang
terpanjang. Adapun batasan-batasannya adalah flow atau aliran pekerjaan yang melalui tiap-tiap
jalur. Adapun masalahnya secara umum dapat diformulasikan sebagai berikut :
a. Fungsi tujuan : Maksimumkan Z= ∑ YijXij
(ij)EA
b. Batasan-batasan :
∑
(1) X =1
iEA (1) ij
∑ ∑
(2) X ij + X =0 j = 2, 3, ……. n-1
iEB( j) kEA ( j) jk
∑
(3) X =−1
iEB(n) ¿
c. Arti dari fungsi tujuan adalah mencari jalur yang mempunyai waktu selesai paling panjang.
Xij menunjukkan satuan aliran dari lingkaran ke lingkaran j, Yij menunjukkan waktu yang
diperlukan untuk menyelesaikan kegiatan ij, sedang A adalah banyaknya lingkaran yang
merupakan kelanjutan lingkaran i.
d. Batasan pertama menunjukkan masuknya aliran 1 unit dan didistribusikan ke A events.
Batasan kedua menunjukkan aliran di dalam network, dan batasan ketiga menunjukkan
keluarnya 1 unit aliran (menjadi-1) dari network. Aliran yang masuk i unit di dalam network
dibagi-bagi kemudian keluar lagi masih tetap 1 unit.
e. Contoh: Network pembuatan rumah
2
2 5
1 3 4
4
29
f. Cara penyelesaiannya:
1) Penyelesaian dengan rumusan masalah primal
(a) Fungsi tujuan jumlah dari waktu tiap kegiatan. Bila masalah ini sudah dipecahkan,
maka nilai Xij pada jalur kritis 1, sedang yang bukan jalur kritis nilainya 0. Sehingga
fungsi tujuan menjadi :
Maksmumkan Z=2 X 12 + 4 X 13 +3 X 23 +5 X 24 +5 X 34
(b) Satuan aliran yang masuk pada network melalui event 1 sebesar 1, yang aliran
pekerjaan ini akan dibagi ke kegiatan 1-2 dan kegiatan 1-3. Misalnya aliran yang
melalui lingkaran 1 ke lingkaran 2 diberi simbol C12 dan aliran dari lingkaran 1 ke
lingkaran 3 diberi simbol X13, maka pembagian 1 unit aliran yang masuk ini dapat
ditulis sebagai batasan, sebagai berikut :
1= X 12+ X 13 atau X 12+ X 13=1
(c) Aliran dari lingaran 1 ke lingkaran 2 dibagi ke lingkaran 3 dan lingkaran 4. Sehingga
dapat ditulis X 12= X 23+ X 24 atau −X 12 + X 23 + X 24=0.
Disamping itu aliran dari lingkaran 1 ke lingkaran 3 dan dari lingkaran 2 ke lingkaran
ke-3 bersama-sama disalurkan ke lingkaran 4 dari lingkaran 3. Maka dapat dituliskan
X 13 + X 23 =X 34 atau −X 13− X 23+ X 34 =0
(d) Aliran dari lingkaran 2 ke lingkaran 4 dan aliran dari lingkaran 3 ke lingkaran 4
sejumlah 1 unit dan keluar melalui lingkaran 4. Ini dapat ditulis −X 24−X 1 ¿ =−1
(e) Batasan terakhir adalah batasan non negativity di mana Xij ≥ 0.
Perumusan masalah primal dari contoh di atas dapat disusun kembali sebagai berikut :
a) Fungsi tujuan :
Maksimumkan : Z=2 X 12 + 4 X 13 +3 X 23 +5 X 24 +5 X 34
b) Batasan-batasan :
X12 + X13 =1
- X12 + X23 + X24 =0
- X13 – X23 + X24 =0
- X24 - X34 = -1
X12, X13, X24, X34 ≥ 0
Kalau rumusan masalah dipecahkan dengan linear programming maka akan menghasilkan
nilai optimum sebagai berikut :
X12 = 1
X23 = 1
30
X34 = 1
Z = 10
2) Penyelesaian dengan memakai complementary slackness
a. Cara lain untuk menyelesaikan masalah di atas adalah dengan memakai teori
complementary slackness untuk linear programming.
b. Untuk itu pertama kali harus disusun perumusan dual, sebagai berikut:
Fungsi tujuan :Minimumkan : W0 = W1
Batasan-batasan : W1 – W2 - W4 ≥2
W1 - W3 ≥4
W2 – W3 ≥3
W2 - W4 ≥5
W3 - W4 ≥5
W1, W2, W3, W4
Boleh positif atau negatif
Dari persamaan-persamaan tersebut dapat diselesaikan sebagai berikut :
W1 ≤ W2 – 2 W2* = -2
W1 ≤ W3 – 4
W2 ≤ W3 – 3 W3* = -5
W2 ≤ W4 – 5
W3 ≤ W4 – 5 W4* = -10
Dalam hal ini untuk memecahkan persoalan di atas selalu dimisalkan bahwa W 1 = 0.
Akibatnya dari batasan pertama dapat diselesaikan bahwa W 2* = -2. Kalau nilai W1
dimasukkan pada batasan kedua akan menghasilkan nilai W 3 = -4, tetapi kalau dimasukkan
nilai W2 pada batasan ketiga akan menghasilkan nilai W3 = -5. Yang dipilih salah satu yang
terkecil, yaitu W3 = -5. Oleh karena itu batasan kedua memenuhi unequality constraint
(batasan ketidaksamaan), yaitu W1 ≤ W3 – 4 atau W1 – W3 ≥ 4. Kalau dimasukkan nilai W2
pada batasan ke-4 maka menghasilkan nilai W4 = -7, tetapi kalau dimasukkan nilai W3 pada
batasan ke-5 menghasilkan nilai W4 = -10. Yang dipilih nilai W 4 = -10. Sehingga persamaan
ke-4 memenuhi unequality constraint, yaitu W4 ≤ W2 – 5 atau W2 – W4 ≥ 5. Karena batasan
ke-2 dan ke-4 pada dual problem memenuhi unequality constraint, maka nilai variabel
primal yang ke-2 (X13) dan ke-4 (X24) diberi 0. Dengan demikian dapat dimasukkan nilai 13
dan X24 itu pada batasan-batasan yang terdapat pada primal problem, misalnya pada batasan
pertama:
31
X12 + X13 = 1, X13 = 0 maka X12 = 1
Demikian seterusnya sehingga diperoleh nilai optimal sebagai berikut :
X12* =1 X23* =1 X34* =1
X13* =0 X24* =0
Bila hasil pemecahan ini dimasukkan dalam persamaan tujuan pada primal problem, maka
akan diperoleh nilai Z = 10. Arti dari hasil tersebut di atas adalah jalur kritis adalah
kegiatan-kegiatan 1-2, 2-3, dan kegiatan-kegiatan 3-4; dengan waktu penyelesaian proyek 10
minggu.
L. Memperpendek Waktu Selesainya Proyek
Dalam bagian ini akan dibicarakan perpendekan apabila tambahan biaya itu mempunyai
hubungan linear dengan berkurangnya waktu kegiatan.
a. Misalnya kalau diperpendek 1 jam memerlukan biaya Rp500,00 maka kalau diperpendek 2
jam akan memerlukan biaya Rp1.000,00. Tentu saja untuk satu kegiatan mempunyai
Rp1.500.000,00
Rp700.000,00
tambahan biaya per hari yang biasanya berbeda dengan kegiatan lain. Untuk satu kegiatan,
Biaya
hubungan biaya dan waktu penyelesaian itu dapat dilihat pada Gambar berikut:
0
4
8
dari proyek itu, melainkan dipilih yang terletak pada jalur kritis. Hal ini disebabkan karena
bila diperpendek waktu kegiatan pada jalur yang bukan jalur kritis, maka hanya akan
berakibat menambah float saja. Sebagai contoh digunakan network pada berikut yang
alternatif untuk memperpenek kegiatan-kegiatannya seperti berikut ini:
Waktu Biaya Langsung
Waktu Biaya
Kegiatan Norma Normal Crash
Crash Tambahan/Minggu
l
Rp Rp Rp
1–2 10 10 500.000,00 500.000,00 -
2–3 2 1 5.000.000,00 6.000.000,00 1.000.000,00
2–4 4 2 4.000.000,00 6.500.000,00 1.250.000,00
3–6 8 4 700.000,00 1.500.000,00 200.000,00
4–6 3 2 2.000.000,00 2.500.000,00 500.000,00
32
5–6 1 1 1.000.000,00 1.000.000,00 -
6–7 5 4 500.000,00 600.000,00 100.000,00
c. Pada tabel di atas, waktu normal ditulis pada kolom 2 dan waktu crasg (waktu setelah
diperpendek) dilatekkan pada kolom 3. Biaya langsung untuk kegiatan normal tercantum
pada kolom 4, dan biaya langsung untuk kegiatan crash tercantum pada kolom 5. Biaya
tambahan tiap minggu (kolom 6) adalah selisih kolom 5 dan kolom 4 dibagi dengan selisih
kolom 3 & kolom 4.
d. Misalnya akan diperpendek dari 25 minggu menjadi 23 minggu, maka harus dipilih kegiatan
pada jalur kritis yang biaya perpendekannya paling murah. Jalur kritis adalah 1-2-3-6-7.
Kegiatan 1-2 tidak bisa diperpendek. Oleh karena itu yang dapat diperpendek hanyalah
kegiatan-kegiatan 2-3, dan 3-6, dan 6-7.
e. Berikut ini adalah beberapa alternatif perpendekan yang akan dipilih salah satu.
Perpendekan pada kegiatan Biaya perpendekan
(a) 1 minggu pada (2-3) dan
1 minggu pada (3-6) Rp1.000.000,00 + Rp200.000,00 = Rp1.200.000,00
(b) 2 minggu pada (3-6) 2 x Rp200.000,00 = Rp400.000,00
(c) 1 minggu pada (2-3) dan
1 minggu pada (6-7) Rp1.000.000,00 + Rp100.000,00 = Rp1.100.000,00
(d) 1 minggu pada (3-6) dan
1 minggu pada (6-7) Rp200.000,00 + Rp100.000,00 = Rp300.000,00
f. Dari keempat alternatif perpendekan tersebut di atas, ternyata alternatif d yang paling murah
biayanya. Oleh karena itu perpendekan dilakukan 1 minggu pada kegiatan 3-6, dan 1
minggu pada kegiatan 6-7. Jadi proyek akan selesai dalam 23 minggu.
g. Dalam di atas terlihat, bahwa perpendekan pada kegiatan 6-7 hanya mungkin 1 minggu saja,
demikian juga untuk kegiatan 2-3. Sekarang baiklah dilihat kalau perpendekan dilakukan
pada kegiatan yang di luar jalur kritis, maka akibatnya tidak akan memperpenek waktu
selesainya proyek. Misalnya kegiatan 2-4 diperpendek dengan 2 hari, maka kegiatan 1-2-4-
5-6 yang mula-mula selesai dalam 18 minggu akan menjadi 16 minggu. Tetapi hal ini tidak
akan mempercepat selesainya proyek, sebab kegiatan 6-7 baru dapat di mulai setelah
kegiatan 1-2-3-6 yang memerlukan waktu 20 minggu selesai.
33
MODEL PENGENDALIAN PERSEDIAAN
Order points
T= Q/A
Seiring berjalan waktu, Lamanya T sama dengan proporsi kebutuhan selama
persediaan berkurang satu periode (A) yang dapat dipenuhi oleh Q
karena digunakan
35
D. Mencari Penyelesaian Optimal (Optimal Solution)
Grafik:
Merupakan biaya total yaitu perpotongan antara biaya penyimpanan dan biaya pemesanan.
Biaya optimal yaitu biaya penyimpanan sama dengan biaya pemesanan
37
F. Titik Pemesanan Kembali dan Persediaan Prngaman (Reorder Point
dan Safety Stock)
Reorder point yaitu pemesanan kembali yang harus dilakukan agar barang yang dipesan
datang tepat pada saat dibutuhkan ditambah dengan sejumlah tertentu sebagai persediaan
pengaman (safety stock).
Variable yang diperhitungkan dalam menentukan reorder point:
a. Lead time (L) yaitu suatu tenggang waktu antara saat dilakukannya pemesanan saat
barang tersedia (siap untuk dipakai).
b. Tingkat kebutuhan perhari (U).
Rumus:
Reorder point = U x L + Safety stock
a. Contoh soal:
Kebutuhan barang per minggu = 100 kg
Lead time = 3 minggu
Safety stock ditetapkan sebesar kebutuhan selama 2 minggu
b. Penyelesaian:
Reorder point = 100 x 3 + (2 x 100)
= 300 + 200 = 500
c. Kesimpulan:Pemesanan kembali perlu dilakukan pada saat tingkat persediaan barang
tersebut mencapai 500 kg.
G. Model Persediaan Back Order
Pesanan untuk diambil kemudian lazim disebut back order. Dengan kata lain, sebuah toko
mengizinkan adanya back order apabila ia tetap menjual suatu barang yang meskipun sudah
tidak ada di gudang (tingkat pesediaan barang tersebut nol).
Contoh yang dapat diambil adalah dealer kendaraan bermotor (mobil). Perusahaan ini akan
tetap melayani pembelian mobil tipe-A, meskipun saat itu persediaan kosong. Pembeli
dijanjikan bahwa mobil yang dipesannya akan adatang beberapa hari, (minggu dan sebagainya)
kemudian.
38
Grafik Tingkat
(Q−S )2
• Annual shortage cost=
2Q
b. Tujuan yang ingin dicapai adalah mencari Q dan S yang dapat meminimumkan TC. Tujuan
tersebut dapat dicapai dengan membuat partial derivative fungsi TC terhadap Q dan S,
sehingga diperoleh:
2 Ak p+hc
Q¿ =
√ √
hc p
2 Ak p
S¿ =
√ √
hc p+hc
c. Sedangkan tenggang waktu antara satu pesanan dengan lainnya adalah:
¿ Q¿
T=
A
d. Contoh:
Contoh soal sebelumnya. Bir dianggap Sebagai barang convenience sehingga pembeli akan
memilih bir merk lain apabila bir merk X tak tersedia di took tersebut. Misalnya took itu
dibebani 1 sen per peti per hari sebagai hukuman karena ia tak dapat memenuhi permintaan
langganan, maka dalam setahun p = Rp 3,65 per peti. Apabila k= Rp100, A= 1000, c = Rp20
dan h = 0,20, maka:
39
2 ( 1.000 ) 100 3,65+ ( 0,20 ) 20
• Q¿ =
√ √
( 0,20 ) 20 3,6 5
=324 peti
3 24
• T ¿= =0,324 tahun atau ± 118 hari
1.000
• Ternyata apabila perusahaan tersebut mengizinkan adanya back order. Maka
kebijaksanaan persediaan yang opyimal mencakup: 324 peti yang dipesan setiap 118
hari.
• Diantara yang tersebut, hanya 154 peti yang disimpan sebagai persediaan. Selebihnya
(Q* - S* = 170 peti) diperlukan untuk memenuhi permintaan yang belum terpenuhi
(back order), total annual relevant cast dalam kebijaksanaan ini adalah:
( 1.000
TC=
324 )
¿¿
40
MODEL ANTRIAN
Tujuan dasar model-model antrian adalah untuk meminimumkan total dua biaya,
yaitu biaya langsung penyediaan fasilitas dan pelayanan dan biaya tidak langsung
yang timbul karena para individu harus menunggu untuk dilayani. Bila suatu
system mempunyai fasilitas pelayanan melebihi dari jumlah optimal, ini berarti
42
1. Sistem pelayanan komersial, seperti restoran, cafetaria, toko-toko, tempat potong
rambut (salon), boutiques, supermarkets, dan sebagainya
2. Sistem pelayanan bisnis-industri, mencakup lini produksi, sistem material-handling,
sistem penggundangan, dan sistem-sistem informasi komputer.
3. Sistem pelayanan transportasi
4. Sistem pelayanan social, merupakan sistem-sistem pelayanan yang dikelola oleh
kantor-kantor dan jawatan-jawatan lokal maupun nasional, seperti kantor tenaga kerja,
kantor registrasi SIM dan STNK, dan sebagainya, serta kantor pos, rumah sakit,
puskesmas, dan lain-lainnya
b. Struktur-struktur Antrian
Ada 4 model struktur antrian dasar yang umum terjadi dalam seluruh sistem antrian :
1. Single Channel – Single Phase
Single channel berarti bahwa hanya ada satu jalur untuk memasuki sistem pelayanan
atau ada satu fasilitas pelayanan. Single phase menunjukkan bahwa hanya ada satu
station pelayanan atau sekumpulan tunggal operasi yang dilaksanakan. Setelah
menerima pelayanan, individu-individu keluar dari sistem. Contoh untuk model struktur
ini adalah seorang tukang cukur, pembelian tiket kereta api antarkota kecil yang
dilayani oleh satu loket, seorang pelayan toko, dan sebagainya.
Populasi
Sistem
Antrian
Sumber M S M S Keluar
Populasi
Phase 1 Phase 2
Keterangan :
43
M = antrian
S = fasilitas pelayanan (server)
Sistem Antrian
Sumber M Keluar
Populasi S
4. Multichannel – Multiphase
Setiap sistem-sistem ini mempunyai beberapa fasilitas pelayanan pada setiap tahap,
sehingga lebih dari satu individu dapat dilayani pada suatu waktu. Contoh, herregistrasi
para mahasiswa di universitas, pelayanan kepada pasien di rumah sakit dari pendaftaran,
diagnosa, penyembuhan sampai pembayaran.
Sistem Antrian
S M S
Sumber M Keluar
Populasi
S M S
44
Populasi (1)Antrian (M)Fasilitas Pelayanan (M/I)
Tiingkat Tiingkat
Sumber Tak- FCFS
kedatangan Pelayanan Keluar
terbatas Poisson Kepanjangan Poisson
Antrian Tak-
terbatas (1)
Singkatan Penjelasan
M Tingkat kedatangan dan pelayanan Poisson
D Tingkat kedatangan atau pelayanan deterministik (diketahui konstan)
K Distribusi Erlang waktu antarkedatangan atau pelayanan
S Jumlah fasilitas pelayanan
I Sumber populasi atau kepanjangan antrian tak-terbatas (infinite)
F Sumber populasi atau kepanjangan antrian terbatas (finite)
Dengan tanda-tanda tersebut ditunjukkan empat model yang berbeda yang akan
dirumuskan dan dipecahkan dalam bagian ini, yaitu :
1. Model 1 : M/M/I/I/I
2. Model 2 : M/M/S/I/I
3. Model 3 : M/M/I/I/F
4. Model 4 : M/M/S/F/I
b. Tujuan-tujuan Model Antrian
1. Untuk mendefinisikan parameter-parameter dan variabel-variabel pada model-model
antrian. Parameter-parameter dan variabel-variabel ini pening sebagai penentuan sistem
45
biaya dan keuntungan. Penentuan suatu bentuk sistem biaya minimum atau keuntungan
maksimum memerlukan suatu pencarian kombinasi parameter dan variabel-variabel
tersebut yang menghasilkan tercapainya sasaran-sasaran optimum.
2. Tujuan penting lainnya model-model antrian adalah kegunaannya dalam penentuan
sensitivitas performance variabel-variabel dalam menghadapi perubahan-perubahan
desain sistem (yaitu, λ, μ, S, Q).
c. Minimisasi Biaya
Tujuan dasar antrian adalah minimisasi biaya tidak langsung (indirect cost) pada individu-
individu yang menunggu dan biaya langsung (direct cost) utnuk penyediaan pelayanan
komponen-komponen penting dari kedua biaya itu akan diuraikan berikut ini.
1. Biaya menunggu (cost of waiting).
Biaya-biaya menunggu mungkin mencakup biaya menganggurnya para karyawan,
kehilangan penjualan, kehilangan langganan, tingkat persediaan yang berlebihan,
kehilangan kontak, kemacetan sistem, atau kehilangan kepercayaan dalam manajemen.
1) Dalam kasus-kasus tertentu, seperti bila individu yang menunggu berasal dari
sistem internal (misal, persediaan atau karyawan) biaya menunggu dapat langsung
diukur.
46
2) Dalam kasus-kasus lain, biaya menunggu dapat menjadi sangat sulit ditentukan
(misal, biaya langganan yang menunggu). Karena itu biaya-biaya ini sering
diabaikan, terutama dengan anggapan bahwa biaya tersebut sangat rendah atau
kepanjangan antrian sangat berlebihan. Bila para manajer yang menghadapi
masalah sistem antrian dapat menentukan biaya yang melekat pada seorang
individu menganggur dalam sistem pelayanan, total expected waiting cost per
periode waktu E(Cw) adalah :
3) E ( C w )=n t´c w
Dimana :
Cw = biaya total per unit waktu
( ń t) = sejumlah rata-rata individu yang menunggu ( ń t) dalam suatu sistem
3) Sebagai contoh, bila cw = Rp5.000,00 per jam per individu dan jumlah rata-rata
individu dalam sistem ( ń t) = 5 individu, E(Cw) = Rp25.00,00 per jam.
2. Biaya pelayanan.
Biaya pelayanan dapat mencakup biaya tetap investasi awal dalam peralatan atau
fasilitas, biaya-biaya pemasangan dan latihan, bagi karyawan dan biaya-biaya variabel
seperti gaji karyawan dan pengeluaran tambahan untuk pemeliharaan.
E(Cs) = Scs
1) Dimana :
cs = biaya per periode waktu per fasilitas pelayanan
S = jumlah fasilitas pelayanan.
2) Sebagai contoh, bila cs = Rp4.000,00 per jam, dan S = 3, maka E(Cs) =
Rp12.000,00 per jam.
3. Rumusan expected total cost.
4. E ( C t ) =E ( C s )+ E ( C w ) =Sc s+ nt´c w
Untuk contoh di atas, dengan cs = Rp4.000,00 per jam per fasilitas pelayanan, S = 3, c w
= Rp5.000,00 per jam per individu, dan nt = 5 individu, E(C t) adalah sebesar
Rp37.000,00 per jam.
47
λ2 t´q=
λ λ λ n
n´q= Pn=(1− )( )
μ−(μ−λ) μ−( μ− λ) μ μ
λ 1 λ
ńt = t´t= P=
μ−λ μ− λ μ
48
Soal:
Tuan Laon memiliki sebuah restoran yang melayani para langganannya di dalam mobil
mereka. Restoran ini telah beroperasi sukses selama beberapa bulan di pulau Demangan. Dia
sangat prihatin dengan panjangnya garis antrian pada jam-jam makan siang dan makan
malam. Beberapa langganannya telah mengadu tentang waktu menunggu yang berlebihan.
Dia merasa bahwa dia suatu ketika akan kehilangan para langganannya. Dia meminta
kepada kita untuk menganalisa sistem antriannya dengan mempergunakan teori
antrian.Tingkat kedatangan rata-rata langganan selama periode-periode puncak adalah 50
mobil per jam. Tingkat kedatangan mengikuti suatu distribusi Poisson. Waktu pelayanan
rata-rata 1 menit dengan distribusi eksponensial. Pecahkan soal-soal berikut ini untuk Tuan
Laon.
a. Tingkat kegunaan bagian pelayanan restoran (p)
b. Jumlah rata-rata dalam antrian ( n´q)
c. Jumlah rata-rata dalam sistem ( ń t)
d. Waktu menunggu rata-rata dalam antrian ( t´q )
e. Waktu menunggu rata-rata dalam sistem ( t´t )
f. Probabilitas lebih dari satu mobil dalam sistem dan lebih dari empat mobil dalam
sistem.
Penyelesaian :
λ 50
a. P ¿ = =0,833 (Rata-rata bagian pelayanan sibuk 83,33% dari waktunya).
μ 60
λ2 502
b. n´q= = =4,1667 mobil
μ (μ−λ) 60(60−50)
λ 50
c. ńt = = =5 mobil
μ−λ 60−50
λ 50
d. t´q= = =0,0833 jam atau5 menit
μ( μ−λ) 60 (60−50)
λ 1
e. t´t= = =0,1 jam atau 6 menit
μ− λ 60−50
f. P(n > 1) = 1 – (P0 + P1) dan P (n > 4)
= 1 – (P0 + …….. + P4)
Dengan Pn = 1 (1 – λ/μ)(λ/μ)n,
0,5983
b. Model 2 : M/M/S/I/I
λ S P0 λ S 1
λ( )2 t´q= 2
( ) P0= S −1
μ λ μ
n´q=
( S−1 ) !(Sμ− λ)2
P0
( ( )]
μS ( S ! ) 1−
Sμ
∑ ¿¿ ¿
n−0
λ S P0
λ 1 Pw =( )
ńt =n´q+ t´t=t´q + μ
μ λ S ! [1− ( Sμλ )]
λ
p=
Sμ
1. Soal 1
Departemen kredit suatu bank mempekerjakan tiga orang karyawan tata usaha di kota
Klaten untuk menangani “panggilan” yang masuk dari para pedagang. Waktu rata-rata
yang dibutuhkan untuk menerima sebuah otorisasi adalah 0,5 menit bila tidak
diperlukan waktu untuk menunggu. Tingkat pelayanan mengikuti distribusi
eksponensial, karena kondisi-kondisi yang tidak biasa dapat menghasilkan baik waktu
pelayanan yang relatif lama maupun pendek. Selama periode puncak 8 jam, kantor
menerima total 1.750 panggilan (yaitu 218,75 perjam). Tingkat kedatangan panggilan
mengikuti distribusi Poisson.
Tentukan : a. Tingkat kedatangan panggilan per jam (μ)
b. Tingkat kegunaan karyawan (P)
c. Probabilitas tidak ada panggilan (P0)
d. Jumlah pedagang rata-rata menunggu untuk dilayani ( n´q)
e. Jumlah pedagang dalam sistem ( ń t)
f. Waktu rata-rata dalam antrian ( t´q )
50
g. Waktu rata-rata dalam sistem ( t´t )
h. Probabilitas untuk menunggu (Pw).
Penyelesaian :
μ = 2(6) = 120
λ 218,75
p= = =0,6076
Sμ 3 (120 )
∑
n=0
[( ) ]
μ
n!
n
+
()
S !(1−
μ
λ
Sμ
)
3 !(1−
360
) ¿ 0,1417
λ S 218,75 3
n´q=
λ /μ( )
μ
P 0=
( 218,75 120
)( )
120 ( )
( 0,1417 )= 0,5647pedagang
2 2
( S−1 ) !(Sμ− λ) ( 3−1 ) ! ( 360−218,75 )
λ
ńt =n´q+ = 0,5647 + 1,8229 = 2,3876 pedagang.
μ
P0 λ S
0,1417 218,75 3
t´q=
λ 2 ()
μ
¿ ( )
218,75 2 120 = 0,00258 jam atau
(
μS( S !) 1−
Sμ ) 120(3)(6)(1−
360
)
9,3 detik
1 1
t´t=t´q + =0,00258+ = 0,01091 jam = 0,6546 menit = 39,28 detik
μ 120
3
λ S P0 218,75
Pw =( )
μ
¿ (
120 ) 6 1−0,1317
218,75 = 0,3646
S ! [1− ( Sμλ )] [ 360 )]
(
1) Soal 2:
Departemen kredit pada contoh 13.2 telah menerima keluhan-keluhan dari banyak
pedagang bahwa waktu otorisasi terlalu lama. Karena itu, manajer departemen sedang
mempertimbangkan penambahan satu lagi karyawan tata usaha untuk mengurangi
waktu menunggu dalam sistem. Dia merasa bahwa biaya otorisasi total akan naik karena
penambahan karyawan. Bila seorang karyawan tata usaha berpenghasilan Rp1.100,00
per jam (termasuk semua gaji jaminan lainnya) dan biaya mendapatkan seorang
karyawan check out sedang menunggu adalah Rp2.100,00 per jam (gaji, tunjangan,
51
kehilangan penjualan karena penundaan, dan biaya-biaya lainnya), tentukan apakah
lebih baik tetap mempunyai 3 karyawan atau 4 karyawan yang menangani otorisasi.
Penyelesaian :
a. Biaya total sekarang per jam dengan tiga karyawan :
E(Ct) = Scs + n q´c w
= 3(1.100) + 2,3876(2.100)
= 3.300 + 5.013,95 = Rp8.313,95
b. Biaya total per jam dengan empat karyawan :
λ S
λ
ńt =n´q+ =
λμ ()μ
P+
λ
2 0
μ ( S−1 ) ! ( Sμ−λ ) μ
n´q=0,1116+1,8229=1,9345 pedangan
E(Ct) = 4(1.100) + 1,9435(2.100) = 4.400 + 4.062,45 = Rp8.462,45
c. Biaya total dengan mempunyai empat karyawan hanya berbeda sedikit dengan
biaya total bila mempunyai tiga karyawan (Rp.8.462,45) dibanding Rp8.313,95).
Dengan pertimbangan perbedaan yang kecil ini (Rp148,00/jam), dapat
direkomendasikan penambahan satu lagi karyawan bagian otorisasi. Rekomendasi
ini berdasarkan asumsi bahwa waktu menganggur semua empat karyawan otorisasi
dapat digunakan untuk tipe-tipe kegiatan lain yang bermanfaat.
d. Tingkat kegunaan rata-rata keempat fasilitas pelayanan adalah
218,75
P= =0,4557
480
Cukup beralasan asumsi bahwa 54,43% (100 – 45,57) dari waktu yang menganggur
dapat digunakan untuk kegiatan-kegiatan produksi lainnya. Kegiatan ini harus tidak
mempengaruhi waktu pelayanan, dan menghasilkan kegunaan yang lebih besar
daripada Rp148,00 per jam, serta melebihi kegunaan waktu menganggur dari ketiga
karyawan sebelumnya.
3. Model 3 : M/M/I/I/F
2
λ
n´q=( ) ¿
μ
52
n´q= ( μλ )¿
λ
P =[
( μ)
1−
λ
]( )
n
n Q +1
λ μ
1−( )
μ
Soal:
Suatu restoran di tepi jalan telah memperoleh volume dan keuntungan yang lebih
besar daripada yang diperkirakan, karena restoran tersebut terletak pada jalan yang
ramai. Tetapi restoran mempunyai tempat parkir yang terbatas. Tempat parkir yang
tersedia hanya 6 ruangan. Bila tempat parkir penuh, langganan akan berpindah
restoran.
Bersebrangan dengan restoran ada pemilik ruangan yang bersedia menyewakannya
untuk tempat parkir yang nyaman dengan biaya Rp2.000,00 per ruangan per hari
operasi. Dengan tambahan informasi di bawah in, tentukan jumlah ruangan yang
seharusnya disewa.
Tingkat kedatangan langganan potensial adalah 21 mobil per jam dan mengikuti
distribusi Poisson. Tingkat pelayanan restoran 36 mobil per jam dan juga
digambarkan dengan distribusi Poisson. Keuntungan rata-rata per mobil adalah
Rp1.600,00 dan restoran buka 12 jam per hari.
Penyelesaian :
μ 36
Jadi, restoran sibuk 56,62% dari waktu total (100% - 43,38%). Bila restoran
sibuk dapat melayani 36 mobil per jam, maka dengan 6 ruangan restoran akan
dapat melayani 20,38 mobil per jam (0,5662 x 36).
Bila restoran buka 12 jam per hari, keuntungan total per hari : (12)(20,38)
(Rp1.600,00) = Rp391.296,00
(b) Dengan 7 ruangan, proporsi waktu restoran sibuk adalah :
53
21
P(n >0) =1−
[ ](
1−
1−( )
36 ) 21
21
36
(7
36 )
0
¿ 1−
0,4167
0,9770
=0,5735
P(n >0)=1−[
1− ( 2136 ) ]( 21 ) =1− 0,4167 =0,5735
0
21 8 36 0,9865
1−( )
36
Keuntungan total per hari : 12(0,5776)(36)(Rp1.600,00) = Rp399.237,12
Keuntungan marginal dengan 7 ruangan : Rp399.237,12 – Rp396.403,20 =
Rp2.833,92. Dimana hal ini masih lebih besar dari biaya marginal
(d) Dengan 9 ruangan, proporsi waktu adalah :
P(n >0)=1−[
1− ( 2136 ) ]( 21 ) ¿ 1− 0,4167 =0,5800
0
21 9 36 0,9922
1−( )
36
Keuntungan total per hari : 12(0,58)(36)(Rp1.600,00) = Rp400.896,00
Keunungan marginal dengan 9 ruangan = Rp1.658,88.
Ini berarti lebih kecil dari biaya marginal. Jadi, jangan menyewa 9 ruangan.
4. Model 4 : M/M/S/F/I
Model 4 adalah ekuivalen dengan model 2 dengan perbedaan bahwa model ini mempunyai
sumber populasi yang terbatas. Karena formula antrian dengan populasi terbatas sulit
dipecahkan, tabel-tabel antrian terbatas (finite queuing tables) telah digeneralisasikan
untuk beberapa model-model yang berbeda.
a. Beberapa variabel yang harus diketahui dalam tabel tersebut dapat dijelaskan
sebagai berikut :
b. Formula:
T
X= n´q=N ( 1−F )
T +U
ńq ( T + U )
t´q= ńt =N −1=n´q + H
N−n´q
t´t= ńq ¿ ¿ 1 = NF(1-X)
c. Contoh:
Laporan produksi dan kualitas produk suatu departemen yang memproses plastik
menunjukkan bahwa rata-rata setiap mesin dari 20 mesin yang ada membutuhkan
beberapa tipe penyesuaian setiap 4 jam. Pengawas proses produksi memeriksa bagian-
bagian yang datang dari masing-masing mesin setiap 10 menit. Bila mesin
membutuhkan penyesuaian kembali, dia menyetop mesin dan menunggu seorang “set-
up man” untuk melakukan readjustment mesin tersebut. ada set-up man tunggal yang
rata-rata bekerja 10 menit per adjustment. Tentukan :
Waktu antar kedatangan rata-rata dari setiap mesin (U)
Jumlah mesin rata-rata menunggu untuk dilayani (nq)
Waktu rata-rata yang dipergunakan untuk menunggu pelayanan dan dalam sistem
(tq dan tt)
Jumlah mesin rata-rata yang sedang dilayani (H)
Jumlah mesin rata-rata yang sedang beroperasi (J)
Jumlah mesin rata-rata dalam sistem (nt)
Probabilitas bahwa mesin akan menunggu untuk dilayani (D)
Jumlah rata-rata fasilitas pelayanan menganggur (M-H)
Penyelesaian :
T 10
X= = =0,04
T +U 10+240
55
Diketahui N = 20, X = 0,04 dan M = 1, diperoleh F = 0,929
n´q=N ( 1−F )= 20(1-0,929) = 1,42 mesin
yang akan datang dengan tujuan untuk pengambilan keputusan manajerial, yang
mana model ini sering digunakan untuk menganalisa tentang perpindahan merk
lain sebagainya.
Model yang telah kita bahas di atas adalah masalah populasi terbatas. Model populasi
terbatas ini sangat sering dapat diterapkan bila populasi berasal dari dalam organisasi.
Dalam kenyatannya, kita mungkin akan banyak dihadapkan pada masalah berbagai sistem
yang dapat dianalisa dengan menggunakan model-model antrian terbatas.
A. Langkah-Langkah Menghitung
a. Menyusun table pertukaran pelanggan, berisi informasi mengenai:
Perpindahan pelanggan dengan mengkuantifikasikan tingkat “mendapatkan pelanggan
dari” dan “kehilangan pelanggan ke”.
Jumlah pelanggan periode pertama (sebelum ada perpindahan pelanggan)
Jumlah pelanggan periode kedua (setelah terjadi perpindaham pelanggan).
b. Menghitung market share periode pertama
56
Market share ialah persentase penjualan yang dibukukan oleh suatu perusahaan dari
keseluruhan penjualan para pesaing gabungan di industri tertentu, yang digunakan
suatu perusahaan dalam mengukur keberhasilan mereka dibanding kompetitornya.
Rumus:
Marker share = Jumlah penjualan pada suatu merk tertentu / jumlah penjualan
dari gabungan perusahaan dalam suatu industry tertentu
c. Menyusun matriks probabilitas transisi
Terlebih dahulu menghitung jumlah pelanggan tetap pada setiap merk
Rumus probabilitas transisi:
Probabilitas = Jumlah pelanggan setiap merk / jumlah keseluruhan pelanggan
pada periode pertama
d. Menghitung kemungkinan market share di waktu yang akan datang:
Untuk market share periode kedua:
Market share = Probabilitas transisi x market share periode pertama
57
Pertama Kedua
A B C D A B C D
A 220 0 40 0 10 0 20 10 15 225
B 300 20 0 25 15 40 0 5 25 290
C 230 10 5 0 10 0 25 0 0 230
D 250 15 25 0 0 10 15 10 0 255
1000 1000
b. Penyelesaian
1. Market Share Periode Pertama
(
B 20 230 25 15 290
C 10
D 15 25
5 205 10 230
0 215 255
220 300 230
) 250
Perhitungan:
175 225 – (40 + 0 + 10)
230 290 – (20 + 25 + 15)
205 230 – (10 + 5 + 10)
225 255 – (15 + 25 + 0)
b) Menghitung Probabilitas Transisi:
A B C D
A 175/220= 0,796 40/300 = 0,133 0/230 = 0 10/250 = 0
B 20/220 = 0,091 230/300 = 0,767 25/230 =0,109 15/250 = 0,060
C 10/220 = 0,046 5/300 = 0,017 205/230 = 0,891 10/250 = 0,040
D 15/220 = 0,067 25/300 = 0,083 0/230 = 0 215/250 = 0,860
Jml 1 1 1 1
h
A B C D
A 0,796 0,133 0 0 0,22 0,225
B
C
D
( 0,091
0,046
0,067
0,767 0,109 0,060
0,017 0,891 0,040
0,083 0 0,860
)( )( )
x
0,30
0,23
0,25
=
0,290
0,230
0,255
Perhitungan:
0,225 (0,796 x 0,22) + (0,133 x 0,30) + (0 x 0,23) + (0 x 0,25)
0,290 (0,091 x 0,22) + (0,767 x 0,30) + (0,109 x 0,23) + (0,060 x 0,25)
0,230 (0,046 x 0,22) + (0,017 x 0,30) + (0,891 x 0,23) + (0,040 x 0,25)
0,255 (0,067 x 0,22) + (0,083 x 0,30) + (0 x 0,23) + (0,860 x0,25)
59
4. Market Share Periode Ketiga
a) Metode 1
A B C D
A 0,796 0,133 0 0 0,225 0,228
B
C
D
( 0,091
0,046
0,067
0,767 0,109 0,060
0,017 0,891 0,040
0,083 0 0,860
x
)( )( )
0,290
0,230
0,255
=
0,283
0,231
0,258
b) Metode 2
Kuadrat dari Probabilitas Transisi
( 0,091
0,046
0,067
0,767 0,109 0,060
0,017 0,891 0,040
0,083 0 0,860
x
)(
0,091 0,767 0,109 0,060
0,046 0,017 0,891 0,040
0,067 0,083 0 0,860
) =
( 0,1513
0,0818
01185
0,6073
0,0375
0,1440
0,1808 0,1056
0,7957 0,0729
0,0090 0,7473
)
Market Share
A B C D
A 0,6484 0,2112 0,0145 0,742 0,22 0,228
B
C
D
( 0,1513
0,0818
01185
0,6073
0,0375
0,1440
0,1808
0,7957
0,0090
0,1056
0,0729
0,7473
x
)( ) ( )
0,30
0,23
0,25
=
0,283
0,231
0,258
60
FORECASTING
Menurut Heizer dan Render (2009), peramalan adalah seni atau ilmu untuk
memperkirakan kejadian di masa depan dan melibatkan pengambilan data historis dan
A. Tujuan
Peramalan berfungsi untuk perencanaan dan merupakan sarana pengambilan keputusan,
seperti menentukan jumlah kebutuhan bahan baku yang dibutuhkan dalam rangka memenuhi
permintaan barang atau jasa.
B. Langkah dalam Melakukan Peramalan
1. Menentukan tujuan dari peramalan
2. Menentukan rentang waktu
3. Pilih teknik/metode forecasting
4. Analisa dan rapihkan data
5. Buat peramalan
6. Pantau hasil peramalan
C. Model Peramalan
1. Linear Regression
Metode linear regression didasarkan pada kenyataan bahwa apa yang telah terjadi akan
berulang kembali dengan pola yang sama.
Formula : Ŷ = a + bX
Dimana :a=
∑ Y −b . ∑ X dan b = n ¿ ¿
n
Notasi = Y = suatu keadaan yang akan diramalkan
X = periode
61
2. Exponential Smoothing With Trend
Prosedur ini membutuhkan dua pembobot (konstanta) penghalusan, α untuk rata-rata dan β
untuk tren.
Formula : FIT = Ft + Tt
Dimana : Ft = α ( At −1 ¿ + (1 – α)( F t−1 + T t−1) dan Tt = β (Ft – F t−1) + (1 – β) (
T t−1 ¿
Notasi:
Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada periode t
Tt = tren dengan eksponensial yang dihaluskan pada periode t
At = permintaan aktual pada periode t
α = konstanta penghalusan untuk rata-rata (0 ≤ α ≤ 1)
β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)
3. Weighted Moving Average
Peramalan dengan beberapa data terakhir dengan memberikan bobot yang berbeda-beda.
Hal ini didasarkan pengaruh data yang lebih baru adalah lebih besar dari data yang lebih
lama terhadap keadaan di masa dating, sehingga data yang paling baru diberi bobot yang
paling besar.
n
Formula: WMA = ∑ bobotperiode t x penjualan periode t
t =1
MAD =
∑ ¿ A t −FIT ∨¿
t=1
¿
n
2. Mean Squared Error (MSE)
Untuk melihat kesalahan peramalan keseluruhan dengan merata-rata kan selisih kuadrat
antara nilai yang diramalkan dan yang diamati.
62
n
∑ ( A t−FIT )2
MSE = t=1
n
Bulan Penjualan
Januari 215
Februari 222
Maret 235
April 228
Mei 210
Juni 240
Hitunglah ramalan penjualan pada bulan Juli 2009 dengan metode:
Linear regression
Exponential smoothing with trend
Weighted moving average
b. Penyelesaian:
1. Dengan Metode Linear Regression
Bulan Penjualan
X XY X2 Ft (216.8+2.3429X) (Yt-Ft) (Yt −Ft )2
(X) (Y)
Jan 215 1 215 1 219,1429 4,1429 17,16362
Feb 222 2 444 4 221,4858 0,5142 0,264402
Mar 235 3 705 9 223,8287 11,1713 124,7979
Apr 228 4 912 16 226,1716 1,8284 3,343047
Mei 210 5 1050 25 228,5145 18,5145 342,7867
Jun 240 6 1440 36 230,8574 9,1426 83,58713
Jul 1350 4766 91 - 45,3139 571,9429
n . ∑ X i Y i −∑ X i . ∑ Y i 6(4766)−21(1350)
• b= 2 = =2,3429
2
n . ∑ X −( ∑ X i )
i
6(91)−212
• a=
∑ Y −b . ∑ X i =
1350 21
−2,3429( )=216,8
n n 6 6
• Maka, Y 7= 216,8+2,342X ¿ 216,8+2,3429(7) = 233,2
Y t−F t 45,3139
• MAD=∑ | n | =
6
=7,552
63
2
•
( Y t −Ft ) ¿
571,9429
=95,3238
MSE=∑ 6
n
Berdasarkan hasil peramalan, maka banyaknya penjualan yang akan terjadi pada bulan
Juli ialah sebanyak 233,2 atau 234 botol dengan besarnya kesalahan ramalan yang
dihitung dengan MAD sebesar 7,552 dan MSE sebesar 95,3228.
• Maka, ramalan penjualan pada bulan Juli adalah sebesar 229,543 atau 230
botol
n
∑ ¿ A t −FIT ∨¿ 62,6931
• MAD = t=1 = = 12,5386
5
64
¿
n
n
• MSE =
∑ ( A t−FIT )2 = 962,056759 = 192,411352
t=1
5
n
Penjualan
Bln Ft │A-FIT│ │A-FIT│ 2
(A)
Jan 215 - - -
Feb 222 - - -
Mar 235 - - -
Apr 228 (0,2 x 215) + (0,3 x 222) + (0,5 x 235) = 0,9 0,81
227,1
Mei 210 (0,2 x 222) + (0,3 235) + (0,5 x 228) = 228,9 18,9 357,21
Jun 240 (0,2 x 235) + (0,3 x 228) + (0,5 x 210) = 19,6 384,16
220,4
Jul ? (0,2 x 228) + (0,3 x 210) + (0,5 x 240) = - -
228,6
Jumlah 39,4 742,18
• Maka, ramalan penjualan pada bulan Juli adalah sebesar 228,6. Atau 229 botol
n
∑ ¿ A t −FIT ∨¿ 62,6931
• MAD = t=1 = = 13,1333
¿ 3
n
n
• MSE =
∑ ( A t−FIT )2 = 742,18 = 247,393
t=1
3
n
65
Tujuan teori keputusan adalah untuk memaksimumkan (meminimumkan) “benefits” (biaya)
rata-rata jangka. Model keputusan dengan keadaan risiko, menggambarkan informasi yang
mengidentifikasikan bahwa setiap rangkaian keputusan mempunyai sejumlah kemungkinan
hasil dan probabiliitas terjadinya (model setokastik).
66
harus melakukan pesanan khusus pada hrga yang lebih tingga, yang hamper sama dengan harga
ecerannya. Kenaikan harga ini plus biaya pemesanan dan penanganan khusus mengakibatkan
karugian Rp 4.000,00 pada setiap copy yang harus dipesan secara khusus. Meskipun biaya Rp
4.000,00 adalah sangat tinggi, Bapak Subiyakto ingin untuk menjaga hubungan baik dengan para
langganannya dan mempertahankan “quality image” terhadap tokonya dengan menggunakan
pelayanan pesanan khusus. Berapa jumlah buku yang harus dibeli untuk memaksimumkan
laba? Berikut estimasi probabilitas yang dilakukannya:
x 1=1.200 0,05
x 2=1.320 0,15
x 3=1.440 0,30
x 4 =1.560 0,35
x 5=1.680 0,15
1,00
Table payoff kondisional:
Perhitungan:
• f ( x 1=1.200 , d 1=1.200 ) =4.000 ( Laba/buku ) x 1.200 buku=4.800 .000
Bila Bapak Subiyakto todak memiliki cukup persediaan buku dia menanggung biaya
kehabisan. Dengan cara perhitungan sebagai berikut:
• f ( x 2=1.320 , d 1 1.200 )=4.000 (1.200 )−4.000 ( laba yang hilang/buku ) x 120
¿ 4.800 .000−480.000=4.320 .000
• f ( x 3=1.440 ,d 1=1.200 )=4.000 ( 1.200 )−4.000 ( 240 )
67
¿ 4.800 .000−960.000=3.840 .000
C. Kriteria Keputusan
a. Kriteria maximax. Mengatakan bahwa keputusan yang mempunyai payoff paling tinggi
68
•
Nilai x yang diharapkan adalah nilai rata-rata selama jangka waktu yang Panjang.
Konsep keputusan nilai yang diharakan adalah untuk memilih keputusan yang mempunyai
payoff (keuntungan atau kegunaan) yang maksimum atau biaya (kerugian atau pengorbanan)
yang minimum. Persamaan matematis untuk nilai payoff yang diharapkan adalah:
n
EP j =∑ P ( xi ) f ( x i , d j )
i=1
Dimana i menunjukkan keadaan dasar yang berbeda dan j menunjukkan suatu keputusan
tertentu.
69
Payoff yang diharapkan untuk d 1(nilai laba rata-rata d 1) adalah:
EP 1=0,05 ( 4.800 .000 ) +0,15 ( 4.320.000 )+ 0,30 ( 3.840 .000 ) +0.35 ( 3.360 .000 ) +0,15 ( 2.880 .000 )
= 240.000 + 648.000 + 1.344.000 + 1.008.000 + 432.000
= Rp 3.672.000
Keputusan
Keadaa
d1 =1.200 d2=1.320 d3=1.440 d4=1.560 d5=1.680
n dasar Probabilit f(xi,d1 P(xi) f(xi,d2 P(xi) f(xi,d3 P(xi) f(xi,d4 P(xi) f(xi,d5 P(xi)
xi as P(xi) ) f ) f ) f ) f ) f
1200 0.05 4800 240 4320 216 3840 192 3360 168 2880 144
1320 0.15 4320 648 5280 792 4800 720 4320 648 3840 576
1440 0.30 3840 1344 4800 1680 5760 2016 5280 1848 4800 1680
1560 0.35 3360 1008 4320 1296 5280 1580 6240 1872 5760 1728
1680 0.15 2880 432 3840 576 4800 720 5760 864 6720 1008
EP1 = Rp EP2 = Rp EP3 = Rp EP4= Rp EP5= Rp
1.00 3.672 4.560 5.232 5.400* 5.136
*) Expected Payoff Optimal
Contoh:
70
Suatu perusahaan menghadapi suatu masalah, apakah akan melakukan pembangunan pabrik
baru berukuran kecil atau besar. Bila membangun pabrik besar, maka diperlukan investasi
sebesar Rp 5.000.000,00.
Sedangkan bila hanya membangun pabrik kecil, besarnya investasi adalah Rp 1.000.000.
kemungkinan (probabilitas) permintaan tinggi adalah sebesar 0,75 dan kemungkinan
permintaa rendah sebesar 0.25. Bila perusahaan membangun pabrik besar dan permintaan
tinggi, investasi itu akan menghasilkan keuntungan Rp 1.000.000 setiap tahun. Tetapi
apabila permintaan rendah, hanya akan menghasilkan keuntungan sebesar Rp 300.000 setiap
tahun. Dilain pihak, bila perusahaan membangun pabrik kecil dan permintaan tinggi, maka
perusahaan akan mendapatkan aliran kas neto sebesar Rp 250.000 per tahun, dan bila
perintaan rendah, keuntungan yang diterima sebesar Rp 200.000 setiap tahun. Aliran kas
neto atau keuntungan adalah hasil penjualan perusahaan tiga tahun dikurangi dengan
pengeluaran-pengeluaran atau biaya-biaya.
Bila besarnya biaya pembangunan pabrik dianggap pasti sedang keuntungan diangap tidak
pasti dan umur pabrik besar maupun kecil = 10 tahun, maka dapat dihitung nilai payoffs
yang diharapkan dari tiap cabang sebgai berikut:
a) Bila membangun pabrik besar maka ilia payoffs yang diharapkan dari hasil investasi
pada proyek itu:
(0,75 x Rp 1.000.000,00 x 10) + (0,25 x Rp 300.000,00 x 10) – Rp 5.000.000
= Rp 3.250.000,00
b) Bila membangun pabrik kecil maka nilai payoffs yang diharapkan dari hasil investasi
pada proyek itu:
(0,75 x Rp 250.000,00 x 10) + (0,25 x Rp 200.000,00 x 10) – Rp 1.000.000
= Rp 1.375.000,00
Karena nilai payoffs yang diharapkan dari hasil investasi lebih besar daripada pembangunan
proyek besar, maka sebaiknya dipilih investasi pada pabrik besar.
Rp7.500.000,00
gi Rp1.000.000,00/tahun
ng
a n ti
a
int
71
5
erm =0,7
P P
Rp750.00,00
Pe
rm P=0, (5.000.000,00)
int 25 Rp3.250.000,00
aan
,00 aru
re n
da
ik b
h Rp300.000,00/tahun
)
abr
Rp1.875.000,00
.50
a
mb
(Rp
Me
(R mba keci
M
p.1 ng l
e
.00 un
gi
0.0 pa
ng Rp250.000,00/tahun
n ti
00 brik
a a
int
,00
5
rm =0,7
)
Pe P
Pe
rm P=0
int ,25
aa
nr
en
da
Keterangan : h Rp200.000,00/tahun
= titik keputusan
= titik kemungkinan peristiwa
Pohon Keputusan
Probabilistik
Deterministik
(Stokastik)
Payoff
Rp6.000.000,
00
Rp4.000,00
Pohon keputusan stokastik. Pohon keputusan stokastik ditandai dengan adanya titik
kemungkinan peristiwa. Pohon keputusan stokastik tahap tunggal adalah pohon keputusan
yang mempunyai paling sedikit satu titik kemungkinan peristiwa dan mencakup
pengambilan hanya satu keputusan. Secara konsepsual, setiap matriks payoff kondisional
dapat disajikan dalam bentuk pohon keputusan stokastik tahap tunggal, dan sebaliknya.
Bagaimanapun juga, masalah-masalah seperti itu (yang mencakup satu keputusan) paling
baik diformulasikan dan dipecahkan dengan pendekatan matriks payoff.
Pohon keputusan stokastik tahap-ganda adalah pohon keputusan yang memounyai paling
sedikit satu titik keputusan dan mencakup pengambilan berbagai keputusan berurutan.
Pendekatan ohon keputusan merupakan alat yang paling berguna dalam penganalisaan dan
pemecahan masalah-masalah keputusan stokastik.
Contoh:
73
Manajer pemasaran suatu petusahaan sedang mencoba untuk memutuskan apakah
seharusnya sebuah produk baru dikembangkan, diujipasarkan, dan diperkenalkan atau tidak.
Produk yang akan dikembangkan adalah system computer dapur. Keputusan pertama yang
dihadapi manajer adalah apakah mengembangkan produk atau tidk. Biaya pengembangan
produk adalah signifika. Bila pengembangan tidak berhasil, perusahaan dapat mengalami
kerugian dalam jumlah yang cukup berarti.
Bila produk dikembangkan secara berhasil, perusahaan dapat memperkenalkan produk
secepat mungkin untuk memasuki pasar dan menetapkan dirinya sebagai pimpinan pasar
dan teknologi. Hanya ada satu strategi penetapan harga yang valid dalam situasi ini, yaitu
harga relative rendah untuk mencegah timbulnya persaingan dan oleh karena itu menjamin
probabilitas jangka Panjang.
Alternative lainnya, perusahaan dapat melakukan uji-pasar tehadap produk baru untuk
memastikan apakah permintaan pasar tinggi atau rendah. Setelah penentuan permintaan
relative, harga optimal dapat sitetapkan. Waktu yang diperlukan untuk melakukan uji-pasar
secara paksa terhadap produk akan memungkinkan para pesaing untuk meniru teknologi dan
konsep-konsep system. Bagaimanapun juga, hasil-hasil studi pasar akan sangat berguna
untuk mengetahui permintaan relative (tinggi atau rendah) dan pada gilirannya harga
optimal.
Gambar pohon keputusan dibawah menunjukkan pohon keputusan yang dihadapi manajer
pemasaran, termasukn probabilitas dan payoffs-nya. Pada gambar juga ditunjukkan uji
pemasaran produk memungkinkan mnajer untuk menentukan harga setelah besarnya
permintaan dipastikan. Bila uji-pasar tidak dilakukan, harga harus ditentukan sebelum
permintaan nyata diketahui.pada gambar dibawah mempunyai serangkaian tiga titik
keputusan dan dua titiik stokastik.
Payoff
Rp – 2.500 juta
Harga
tinggi
Rp – 1.500 juta
Rp – 1.500 juta
74
Rp3.000 juta
Rp2.500 juta
Rp2.000 juta
Rp0
Pada pohon keputusan selanjutnya diuraikan secara lengkap pohon keputusan yang dihadapi
manajer pemasaran. Keputusan optimal dapat diketemukan dengan bergerak ke belakang
dari cabang-cabang akhir. Keputusan-keputusan optimal (bergerak ke belakang) adalah:
1. Mengembangkan computer
2. Tidak melakukan uij-pasar
3. Menetapkan harga rendah.
Rangkaian keputusan ini mempunyai nilai yang diharapkan (expected value) maksimum
sebesar Rp 790 Juta. Bila perusahaan mengambil keputusan-keputusan berikut:
1. Mengembangkan computer
2. Melakukan uij-pasar, dan
3. Menetapkan harga optimal, nilai yang diharapkan hanya akan sebesar Rp 580 juta.
Contoh-contoh pohon keputusan yang telah dibahas diatas adalah conth-contoh yang
sederhana. Dalam praktek, mungkin para manajer akan menghadapi masalah-masalah
keputusan yang lebih kompleks, rumit dan membutuhkan kecermatan tinggi. Bagaimanapun
juga, dengan contoh-contoh sederhana tersebut kita telah membahas konsep-konsep dan
teknik-teknik analisis keputusan yang penting.
Payoff
Rp – 2.500 juta
nggi
Harga ti Rp2.500 juta
2.500
Pengembangan Melakukan Harga rendah
Rp2.000 juta
berhasil (0,70) uji-pasar Harga tinggi
75
790 2.200 1.900
Permintaan 1.500 H Rp – 1.500 juta
arga
rendah (0,60) ren
dah
Rp – 1.500 juta
n
Harga Permintaa
0)
tinggi tinggi (0,4 Rp3.000 juta
m
790 rend intaan
a h (0 Rp – 1.000 juta
,60)
Tida Pe rm in taan
k men 0) Rp2.500 juta
ge mba tinggi (0,4
ngka 2.200
nk omp Perm
uter rend intaan Rp2.000 juta
a h (0
,60)
Gambar 10.5. pohon keputusan sistem komputer dapur yang
Rp0lengkap
Konsep Variance
Pada konsep ini besar kecilnya diukur dengan variance. Semakin besar variance berarti
besarnya data/hal yang terjadi semakin tidak seragam, berarti pula risiko semakin besar.
Aplikasi konsep ini banyak sekali digunakan dalam bidang keuangan diaman risiko suatu
investasi diukur dengan variance dari return-nya.
Dalam kenyataan, semakin tinggi keuntungan (laba) atau manfaat biasanya diikuti dengan
ridiko yang semakin besar. Orang bersedia menanggung risiko yang besar karena dengan
harapan akan memperoleh keuntungan atau manfaat yang besar pula. Dalam pengambilan
keputuasn dengan konsep ini terlebih dahulu dibedakan macam-macam sifat orang dalam
menghadapi risiko, yaitu ada yang senang menanggung atau mengahadapi risiko asal
diimbangi dengan manfaat/penghasilan tinggi, ada yang normal, ada yang tidak menyenangi
risiko.
Untuk mengambil keputusan berdasarkan konsep ini dapat digunakan rumus sebagai
berikut:
Maksimum E ( Z )−K . Variance
Dimana E(Z) adalah hasil yang diharapkan (expected value) dari kegitaan Z, sedang K
adalah bobot (weight) yang menunjukkan kepekaan seseorang terhadap risiko. Semakin
tidak senang terhadap risiko berarti semakintinggi nilai K. rumus diatas berarti bahwa
semakin tinggi variance berarti semakin renadah nilai untuk pengambilan keputusan.
Demikian pula bila K, semakin besar berarti semakin rendah pula nilai yang dihasilkan.
76