TUGAS APLIKASI TUTORIAL OPERATIONAL RESEARCH I

PEMECAHAN MASALAH PROGRAMA LINIER

MENGGUNAKAN SOFTWARE LINGO
STUDI KASUS: APLIKASI INTEGER LINEAR PROGRAMMING (ILP)
UNTUK MEMINIMUMKAN BIAYA PRODUKSI PADA SIAPUTO
ALUMINIUM

OLEH:
INDAH SEBETANIA TURNIP
1810933023

ASITEN PENGAMPU:
REKI AZURA PRATAMA

LABORATORIUM PERENCANAAN DAN OPTIMASI SISTEM

INDUSTRI
JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNIK UNIVERSITAS ANDALAS
2020
 BAB I
PERMASALAHAN STUDI KASUS

Optimasi adalah sebuah alat yang digunakan secara luas pada formulasi
model matematika dan berbagai masalah analisis keputusan yang berkaitan
dengan masalah sains dan teknik. Secara umum, masalah real di dunia terjadi
dalam model multi-criteria dan multi-choice dengan konstrain tertentu (dalam
A.K. Ojha dan Rashmi Ranjan Ota (2014)). Konsep optimasi membahas prinsip
dan analisis dari pengambilan keputusan dan masalah alokasi. Dalam masalah
optimasi, hal yang paling sering dihadapi adalah masalah pengambilan keputusan
yang melibatkan fungsi tujuan (objektif) dan fungsi kendala. Fungsi objektif ini,
membahas masalah memaksimumkan atau meminimumkan tergantung dari
masalah yang dihadapi

Salah satu toko furniture yang ingin mencapai solusi optimum dalam
meminimumkan biaya produksi adalah toko Siaputo Alumunium. Toko ini
memproduksi beberapa macam lemari seperti lemari pakaian, lemari tempat
piring, lemari sepatu, lemari jualan, dan lemari P3K. Toko ini terletak di
Kampung Baru, Kelurahan Labuang Utara, Kecamatan Banggae Timur,
Kabupaten Majene.

Permasalahan yang ada pada toko Siaputo Alumunium adalah mencari

solusi untuk meminimumkan biaya produksi dalam memproduksi lemari.
Permasalahan ini akan diselesaikan dengan metode branch and bounding pada
permasalahan integer linear programming dimana hasil yang didapatkan oleh
metode ini semua variabel merupakan bilangan bulat serta penyelesaian dibantu
dengan software Lingo.
 BAB II
LANDASAN TEORI

Bab ini berisikan materi tentang metode linear, software Lingo dan
analisis sensitivitas.

2.1 Metode Linear

Programa Linear (Linier Programming) merupakan suatu cara terbaik

untuk menyelesaikan persoalan pengalokasian sumber-sumber yang terbatas
diantara beberapa aktivitas yang bersaing, Linear Programming merupakan alat
deterministik, yang berarti sebuah parameter model yang diasumsikan diketahui
dengan pasti. Teknik Linear Programming mengkompetisi “kekurangan” ini
dengan memberikan analisis pasca-optimum dan analisa parametrik yang
sistematis untuk memungkinkan pengambil keputusan yang bersangkutan untuk
menguji sensitivitas pemecahan optimum yang statis terhadap perubahan diskrit
atau kontinu dalam berbagai parameter dari model tersebut.

Program linear adalah suatu perencanaan berbagai aktivitas untuk

mendapatkan suatu hasil yang optimum, yaitu hasil yang mencapai tujuan terbaik
di antara seluruh alternatif yang layak (feasible) (Dimyati, 2011). Program linear
meliputi perencanaan aktivitas guna mendapatkan hasil yang maksimal, yaitu
sebuah hasil yang terbaik di antara semua kemungkinan alternatif yang ada
(Hillier, 2005). Linear Programming yaitu proses optimasi dengan menggunakan
model keputusan yang diformulasikan secara matematis dan timbul karena
keterbatasan dalam mengalokasikan sumber daya. Don T. Philips dalam bukunya
“Operations Research and Principle”, menyatakan bahwa Linear Programming
merupakan masalah pemograman yang harus memenuhi tiga kondisi berikut:
1. Variabel-variabel keputusan yang terlibat harus positif
2. Kriteria-kriteria untuk memilih nilai terbaik dari variabel keputusan dapat
diekspresikan sebagai fungsi linear. Fungsi kriteria ini biasa disebut
“fungsi objektif”
3. Aturan-aturan operasi yang mengarahkan proses-proses dapat
diekspresikan sebagai suatu set persamaan atau pertidaksamaan linear. Set
tersebut dinamakan fungsi pembatas. (Don philips, 1996).

Menurut Tjutju Tarliah Dimyati (2006), istilah yang umum dari model
Programa Linier adalah sebagai berikut:
a. Variabel Keputusan
Variabel keputusan adalah variabel yang menjabarkan keputusan-
keputusan yang ingin dibuat. Variabel Xj adalah variabel keputusan.
b. Fungsi Tujuan
Fungsi tujuan adalah fungsi dari variabel keputusan yang akan
dimaksimalkan atau diminimumkan. Fungsi yang dimaksimumkan atau
diminimumkan, yaitu: C1X1 + C2X2 + … + CnXn.
c. Fungsi Pembatas
Pembatas merupakan kendala yang dihadapi sehingga menjadi penghalang
menentukan harga variabel keputusan secara sembarang. Sebanyak m buah
pembatas pertama disebut sebagai pembatas fungsional atau pembatas
teknologi. Pembatas Xj ¿ 0 disebut sebagai konstrain non-negatif.

Selain model programa linear dengan bentuk yang telah diformulasikan

diatas, ada pula model programa linear dengan bentuk lain seperti:
a) Fungsi tujuan bukan memaksimumkan, melainkan meminimumkan.
Contoh: minimumkan Z =. C1X1 + C2X2 + … + CnXn
b) Beberapa pembatas fungsionalnya mempunyai ketidaksamaan dalam
bentuk lebih besar atau sama dengan. Contoh: ai1x1 + ai2x2 + … + ainxn.
c) Beberapa pembatas fungsionalnya mempunyai bentuk persamaan. Contoh:
ai1x1 + ai2x2 + … + ainxn = b1
d) Menghilangkan pembatas non-negatif untuk beberapa variabel keputusan.
Contoh: Xj tidak terbatas dalam tanda untuk beberapa harga j.
Metode linear programming dapat diselesaikan dengan metode yaitu
sebagai berikut:
1. Metode Grafik
Metode Grafik merupakan suatu metode yang digunakan untuk
memecahkan persoalan linear dengan dua variabel. Langkah-langkah
penyelesaian Linear programming dengan metode grafik yaitu:
a. Formulasikan masalah kedalam bentuk matematis.
b. Gambarkan masing-masing garis kendala dalam satu sistem pada garis
sumbu koordinat.
c. Cari titik yang paling menguntungkan dihubungkan dengan fungsi tujuan

2. Metode Simpleks
Metode simpleks merupakan suatu metode yang secara sistematis dimulai
dari suatu pemecahan dasar yang dilakukan berulang-ulang sehingga akhirnya
tercapai suatu pemecahan dasar yang optimum dan pada setiap langkah
menghasilkan suatu nilai fungsi tujuan yang selalu lebih besar atau lebih kecil
atau sama dari langkah lainnya. Langkah-langkah penyelesaian metode simpleks
adalah sebagai berikut:
a. Periksa apakah tabel layak atau tidak.
Kelayakan tabel simpleks dilihat dari solusi. Jika solusi ada yang bernilai
negatif, maka tabel tidak layak. Tabel yang tidak layak tidak dapat diteruskan
untuk dioptimalkan.

b. Tentukan kolom pivot.

Penentuan kolom pivot dilihat dari koefisien fungsi tujuan dan tergantung
dari bentuk tujuan. Jika tujuan maksimisasi, maka kolom pivot adalah kolom
dengan koefisien paling negatif. Jika tujuan minimisasi maka kolom pivot adalah
kolom dengan koefisien positif terbesar. Jika kolom pivot ditandai dan ditarik ke
atas, maka kita akan mendapatkan variabel keluar. Jika nilai paling negatif (untuk
tujuan maksimisasi) atau positif terbesar (untuk tujuan minimisasi) lebih dari satu,
pilih salah satu secara sembarang.

c. Tentukan baris pivot.

Baris pivot ditentukan setelah membagi nilai solusi dengan nilai kolom
pivot yang bersesuaian, dalam hal ini, nilai negatif dan 0 pada kolom pivot tidak
diperhatikan, artinya tidak ikut menjadi pembagi. Baris pivot adalah baris dengan
rasio pembagian terkecil. Jika baris pivot ditandai dan ditarik ke kiri, maka kita
akan mendapatkan variabel keluar. Jika rasio pembagian terkecil lebih dari satu,
pilih salah sau secara sembarang.

d. Tentukan elemen pivot.

Elemen pivot merupakan nilai yang terletak pada perpotongan kolom dan
baris pivot.

e. Bentuk tabel simpleks baru.

Tabel simpleks baru dibentuk dengan pertama sekali menghitung nilai
baris pivot baru. Baris pivot baru adalah baris pivot lama dibagi dengan elemen
pivot. Baris baru lainnya merupakan pengurangan nilai kolom pivot baris yang
bersangkutan dikali baris pivot baru dalam satu kolom terhadap baris lamanya
yang terletak pada kolom tersebut.

f. Periksa apakah tabel sudah optimal.

Keoptimalan tabel dilihat dari koefisien fungsi tujuan (nilai pada baris z)
dan tergantung dari bentuk tujuan. Tujuan maksimisasi, ketika tabel sudah optimal
jika semua nilai pada baris z sudah positif atau 0. Tujuan minimisasi, ketika tabel
sudah optimal jika semua nilai pada baris z sudah negatif atau 0. Jika belum,
kembali ke langkah b, jika sudah optimal baca solusi optimalnya. (Siringoringo,
Hotniar. 2005).
2.2 Software Lingo

Lingo adalah sebuah software yang dapat digunakan untuk mencari

penyelesaian dari permasalahan dalam program linear, Lingo merupakan generasi
yang lebih tua dari software Lindo. Software Lingo banyak digunakan untuk
pemecahan masalah maskimasi dan minimasi dengan cara memasukkan data
berupa rumusan dalam bentuk linear (Dar F.Q, et al. 2016). Penggunaan software
Lingo memungkinakan pengguna melakukan perhitungan permasalahan linear
programming dengan jumlah n variabel. Cara kerja Lingo yaitu dengan
memasukkan data dengan model linear yang dibuat, kemudian menaksirkan
kebenaran dan kelayakan data berdasarkan penyelesaiannya. Perhitungan dengan
Lingo pada dasarnya menggunakan metode simpleks. Berikut merupakan tahapan
pada Lingo untuk menentukan nilai optimal, yaitu:
1. Menentukan model matematika berdasarkan data real.
2. Menentukan formulasi program untuk Lingo.
3. Membaca hasil report yang dihasilkan oleh Lingo.

2.3 Analisis Sensitivitas

Analisis sensitivitas memberikan gambaran sejauh mana suatu keputusan

akan cukup kuat berhadapan dengan perubahan faktor-faktor atau parameter-
parameter yang mempengaruhi. Analisis ini dilakukan dengan mengubah nilai
dari suatu parameter pada suatu saat untuk selanjutnya dilihat pengaruhnya
terhadap akseptabilitas suatu alternatif investasi. Parameter-parameter yang
biasanya berubah dan perubahannya bisa mempengaruhi keputusan-keputusan
dalam studi ekonomi teknik adalah ongkos investasi, aliran kas, nilai sisa, tingkat
bunga, tingkat pajak, dan sebagainya (Sufa, 2007).

Analisis sensitivitas adalah suatu analisa untuk dapat melihat pengaruh-

pengaruh yang akan terjadi akibat keadaan yang berubah-ubah (Gittinger 1986).
Pada bidang pertanian, perubahan yang terjadi pada kegiatan usaha dapat
diakibatkan oleh empat faktor utama yaitu perubahan harga jual produk,
keterlambatan pelaksanaan usaha, kenaikan biaya dan perubahan volume
produksi. Analisis sensitivitas dilakukan dengan mencari beberapa nilai pengganti
pada komponen biaya dan manfaat yang masih memenuhi kriteria minimum
kelayakan investasi atau maksimum nilai NPV sama dengan nol, nilai IRR sama
dengan tingkat suku bunga dan Net B/C ratio sama dengan 1 (cateris paribus)
(Gittinger, 1986). Parameter harga jual produk, jumlah penjualan dan biaya dalam
analisis finansial diasumsikan tetap setiap tahunnya (cateris paribus). Namun,
dalam keadaan nyata ketiga parameter dapat berubah-ubah sejalan dengan
pertambahan waktu. Untuk itu, analisis sensitivitas perlu dilakukan untuk melihat
sampai berapa persen penuruan harga atau kenaikan biaya yang terjadi dapat
mengakibatkan perubahan dalam kriteria kelayakan investasi dari layak menjadi
tidak layak (Gittinger, 1986).

Dalam membicarakan analisis sensitivitas, perubahan-perubahan

parameter dikelompokan menjadi:
1. Perubahan koefisien fungsi tujuan
2. Perubahan konstan sisi kanan
3. Perubahan batasan atau kendala
4. Penambahan variabel baru
5. Penambahan batasan atau kendala baru.
 BAB III
PERHITUNGAN DAN PENGOLAHAN DATA

Bab ini berisikan pemodelan program linear, langkah-langkah pengolahan

data menggunakan Lingo dan hasil pengolahan data.

3.1 Pemodelan Programa Linear

Produk dalam menyelesaikan masalah meminimumkan biaya produksi

pada Sipatuo Alumunium didefinisikan dalam variabel:
X1 = Lemari pakaian
X2 = Lemari tempat piring
X3 = Lemari sepatu
X4 = Lemari jualan
X5 = Lemari P3K

Fungsi Tujuan:
Min 2.829.000 X1 + 3.104.000 X2 + 1.230.000 X3 + 1.399.500 X4 + 266.250 X5

Fungsi Kendala:
3X1 + 3X2 + 2X3 + 2X4 + 0,5X5 ¿ 75
3X1 + 6X2 + 2X3 ¿ 60
1,5X1 + 2X2 + 0,4X3 ¿ 25
X1 + X2 + 0,4X3 + 1,2X5 ¿ 50
5X1 + 5X2 + 2X3 + 3X4 ¿ 70
120X1 + 120X2 + X3 + 2X4 + X5 ¿ 300
4X1 + 5X2 + 2X3 + 4X4 ¿ 70
X1 + 2X2 + 0,3X3 + 0,3X4 + 0,15X5 ¿ 20
3X1 + 3X2 + 1,5X3 + 0,5X5 ¿ 65
X1 + X2 + 0,25X5 ¿ 15
6X1 + 6X2 + 2X3 + 0,5X5 ¿ 75
3X1 + 6X2 + 2X3 + X5 ¿ 70
3X1 + 6X2 + 2X3 + X4 + X5 ¿ 80
30X1 + 30X2 + 25X3 + 25X4 + 15X5 ¿ 180
25X1 + 25X2 + 20X3 + 20X4 + 10X5 ¿ 170
X1 + X2 + 0,75X3 + 0,5X4 + 0,3X5 ¿ 50
0,5X1 + 0,5X2 + 0,75X3 + 0,75X4 + 0,75X5 ¿ 20
4,5X1 + 4,5X2 + 1,5X3 + 4,5X4 + 0,5X5 ¿ 75
4X1 + 4X2 + 4X3 + 6X4 ¿ 80
5X1 + 5X2 + 2X3 + 5X4 ¿ 75
6X1 + 6X2 + 3X3 ¿ 65
4X4 + 2X5 ¿ 40
3X2 ¿ 10
25X2 ¿ 45
X1, X2, X3, X4, dan X5 ¿ 0

3.2 Langkah-Langkah Pengolahan Data Menggunakan Lingo

1. Instal aplikasi Lingo, setelah itu buka aplikasi Lingo.

Gambar 3.1 Buka Aplikasi Lingo

2. Selanjutnya, masukan data fungsi tujuan dan fungsi kendala pada lembar
kerja.

Gambar 3.2 Data Fungsi Tujuan dan Funsi Kendala

3. Setelah itu, klik menu solve pada toolbar.

Gambar 3.3 Klik Solve

4. Selanjutnya akan muncul tabel seperti gambar berikut.

Gambar 3.4 Output Permasalahan

5. Tampilan hasil penyelesaian masalah menggunakan aplikasi Lingo.

Gambar 3.5 Hasil Penyelesaian Masalah

 Gambar 3.6 Hasil Penyelesaian Masalah

6. Karena masih ada variabel yang nilainya belum bulat maka dilakukan
metode branch and bounding pada permasalahan integer linear
programming dimana pada permasalahan dilakukan beberapa sub-problem
yang menambahkan beberapa fungsi pembatas yang sesuai.

.
Gambar 3.7 Pembatas yang Sesuai Menggunakan Metode Branch and
Bounding
7. Hasil penyelesaian masalah metode integer linear programming.

Gambar 3.8 Hasil Penyelesaian Masalah Menggunakan Integer Linear

Programming

Gambar 3.9 Nilai Variable, Value, dan Reduced Cost Menggunakan

Integer Linear Programming

Gambar 3.10 Nilai Slack or Surplus, dan Dual Price Menggunakan

Integer Linear Programming
3.3 Hasil Pengolahan Data

Berdasarkan pengolahan data yang dilakukan menggunakan aplikasi

Lingo, maka didapatkan data sebagai berikut:
1. Solusi untuk biaya minimum dalam meminimumkan biaya produksi pada
Siaputo aluminium menggunakan metode biasa adalah Rp73.594.690,-
sedangkan menggunakan metode branch and bounding didapatkan bahwa
biaya minimum tersebut adalah Rp73.850.250,-.
2. Biaya minimum menggunakan metode biasa tersebut diperoleh dengan
memproduksi lemari tempat piring sebanyak 10 buah, lemari sepatu
sebanyak 12 buah dan lemari P3K sebanyak 102 buah sedangkan untuk
metode branch and bounding maka perusahaan tersebut harus
memproduksi 2 lemari pakaian, 9 lemari tempat piring, 10 lemari sepatu
dan 105 lemari P3K.
 BAB IV
ANALISIS

Bab ini berisikan mengenai analisis hasil perhitungan dan analisis

sensitivitas berdasarkan pengolahan data yang telah dilakukan.

4.1 Analisis Hasil Perhitungan

Berdasarkan hasil perhitungan pada bab sebelumnya didapatkan bahwa

biaya minimum dalam meminimumkan biaya produksi menggunakan metode
biasa pada Siaputo aluminium adalah Rp73.594.690,- dengan memproduksi 10
lemari tempat piring, 12,5 lemari sepatu, dan 102,0833 lemari P3K sedangkan
dengan menggunakan metode branch and bounding pada permasalahan integer
linear programming didapakan biaya minimum sebesar Rp73.850.250,- dengan
memproduksi 2 lemari pakaian, 9 lemari lemari tempat piring, 10 lemari sepatu
dan 105 lemari P3K. Hasil kedua biaya produksi pada Siaputo aluminium tersebut
menunjukkan perbedaan yang cukup jauh. Hasil ini juga menunjukkan bahwa
nilai berkoma pada metode biasa membuat solusi tidak layak dimana tidak
pastinya jumlah untuk produksi lemari. Hal ini dikarenakan ketidakpastian berapa
produk yang akan diproduksi sedangkan untuk perhitungan menggunakan metode
branch and bounding mencapai solusi optimal karena semua variabel bernilai
bulat sehingga dapat memudahkan dalam menentukan berapa lemari yang akan
produksi.

Berdasarkan hasil pengolahan data didapatkan juga nilai reduced cost,

dual price, dan slack or surplus pada kedua metode. Reduced cost sendiri adalah
proses penambahan atau pengurangan nilai koefisien variabel dimana pada kasus
maksimasi terjadi pengurangan nilai koefisien variabel dan kasus minimasi terjadi
penambahan nilai koefisien dari suatu variabel guna mencapai solusi yang
optimal. Reduced cost pada metode biasa terletak pada variabel X1 dan X4 yang
mana nilai koefisien X1 harus ditambahkan sebesar 127781,2 dan X4
ditambahkan sebesar 350375,0 sedangkan untuk metode branch and bounding
terletak pada variabel X4 yang mana nilai koefisien harus ditambahkan sebesar
397500,0 (untuk apa ditambahkan? Apa kaitannya sama fungsi tujuan? Coba
jelasin lagi). Dual price merupakan berapa tambahan objective function value jika
constrain atau kendala ditambah 1 satuan. Terdapat nilai dual price nol dan tidak
nol pada kedua metode dimana dual price yang bernilai nol fungsi pembatasnya
akan mampengaruhi fungsi tujuan sedangkan dual price yang bernilai tidak nol
fungsi pembatasnya tidak akan mempengaruhi fungsi tujuan (jelaskan 1 dari hasil
contoh perhitungan yang didapatkan). Slack or surplus menujukkan kelebihan
sumber daya yang digunakan kondisi optimum terhadap sumber daya yang
tersedia sebagai kendala. Nilai slack or surplus pada permasalahan ini ada yang
bernilai nol dan tidak nol. Slack or surplus yang tidak nol menandakan adanya
sumber daya yang tidak terpakai dengan solusi yang dikeluarkan oleh linier
programming (slack), dan juga nilai tidak nol menandakan ada kelebihan dari
batasan sumber daya (surplus) (jelaskan 1 dari hasil contoh perhitungan yang
didapatkan).

4.2 Analisis Sensitivitas

Berdasarkan analisis sensitivitas ditemukan variasi masalah yang

mempengaruhi solusi akhir pada permasalahan. Analisisis sensitivitas pada
permasalahan ini adalah sebagai berikut:
1. Perubahan koefisien fungsi tujuan
Perubahan koefisien fungsi tujuan yaitu berubahnya koefisien dari C k
menjadi Ck’. Bentuk umum dari perubahan koefisien fungsi tujuan yaitu:
a. Jika Xk = Variabel Nonbasis
(Zk – Ck’) = (Zk – Ck) + (Ck – Ck’)
b. Jika Xk = Variabel Basis
(Zj’ – Cj) = (Zj – Cj) + (CB’ – CB) Ytj
 Perubahan koefisien fungsi tujuan pada permasalahan ini dilakukan pada
metode biasa dalam meminimumkan biaya produksi Siaputo Alumunium.
Perubahan koefisien fungsi tujuan dengan mengubah nilai C 2 = 3.104.000 menjadi
C2’ = 1.500.000. Berdasarkan perubahan tersebut maka didapatkan hasil sebagai
berikut.

Gambar 4.1 Hasil Penyelesaian Masalah dari Perubahan Koefisien Fungsi Tujuan

Gambar 4.2 Nilai Value, Reduced Cost, Slack or Surplus, dan Dual Price dari
Perubahan Koefisien Fungsi Tujuan

Berdasarkan hasil di atas dapat terlihat bahwa perubahan koefisien fungsi

tujuan pada C2 sangat berpengaruh terhadap nilai pada solusi optimal. Hal ini
ditunjukkan dengan berubahnya biaya minimum dari Rp73.594.690,- menjadi
Rp56.223.960,-. Perubahan lainnya juga terlihat pada nilai dari beberapa variabel
dimana perubahan tersebut ditunjukkan sebagai berikut:
X2 = 10 menjadi X2’ = 11,66667
X3 = 12,5 menjadi X3’ = 8,333333
X5 = 102,0833 menjadi X5’ = 106,9444

Beberapa nilai reduced cost, dual price, dan slack or surplus juga
mengalami perubahan nilai. Perubahan nilai ini menandakan adanya pengaruh
perubahan koefisien fungsi tujuan yang mempengaruhi nilai reduced cost, dual
price, dan slack or surplus. Nilai reduced cost yang tidak mengalami perubahan
terletak pada variabel X2, X3, dan X5. Nilai dual price yang berubah yaitu
terletak pada row 4 dan 20. Nilai pada slack or surplus yang tidak mengalami
perubahan nilai terletak pada row 17, 21, 26, dan 29 dimana nilai tetap nol.

2. Perubahan konstan sisi kanan

Perubahan konstan sisi kanan yaitu berubahnya koefisien dari b menjadi b’.
Bentuk umum dari perubahan konstan sisi kanan yaitu:
B-1b’ = B-1b + B-1 (b’ – b)
Z = CB.B-1b  Z’ = CB.B-1b’

Perubahan konstan sisi kanan pada permasalahan ini dilakukan pada

metode biasa dalam meminimumkan biaya produksi Siaputo Alumunium.
Perubahan konstan sisi kanan dengan mengubah nilai sisi kanan pada setiap
pembatas yaitu dari (75, 60, 25, 50, 70, 300, 70, 20, 65, 15, 75, 70, 80, 180, 170,
50, 20, 75, 80, 75, 65, 40, 10, 45) berubah menjadi (85, 70, 35, 60, 80, 310, 80,
30, 75, 25, 85, 80, 90, 190, 180, 60, 30, 85, 90, 85, 75, 50, 20, 55). Berdasarkan
perubahan tersebut maka didapatkan hasil sebagai berikut.
 Gambar 4.3 Hasil Penyelesaian Masalah Perubahan Konstan Sisi Kanan

Gambar 4.4 Nilai Value, Reduced Cost, Slack or Surplus, dan Dual Price dari
Perubahan Nilai Konstan Sisi Kanan

Berdasarkan hasil di atas dapat terlihat bahwa perubahan konstan sisi

kanan pada setiap pembatas sangat berpengaruh terhadap nilai pada solusi
optimal. Hal ini ditunjukkan dengan berubahnya biaya minimum dari
Rp73.594.690,- menjadi Rp92.795.470,-. Perubahan lainnya juga terlihat pada
nilai dari setiap variabel dimana perubahan tersebut ditunjukkan sebagai berikut:
X2 = 10 menjadi X2’ = 16,25
X3 = 12,5 menjadi X3’ = 6,25
X5 = 102,0833 menjadi X5’ = 130, 2083
 Beberapa nilai reduced cost, dual price, dan slack or surplus juga
mengalami perubahan nilai. Perubahan nilai ini menandakan adanya pengaruh
perubahan sisi kanan yang mempengaruhi nilai reduced cost, dual price, dan
slack or surplus. Nilai reduced cost yang tidak mengalami perubahan terletak
pada variabel X2, X3, dan X5 yan. Nilai dual price yang berubah yaitu terletak
pada row 4, 20, dan 21. Nilai pada slack or surplus yang tidak mengalami
perubahan terletak pada row 4, 17, 26, dan 29.
3. Perubahan batasan atau kendala
Perubahan batasan yaitu berubahnya koefisien dari aj menjadi aj’. Bentuk
umum dari perubahan batasan yaitu:
Yj‘ = B-1aj‘ dan (Zj – Cj)‘= CBB-1aj‘ – Cj

Perubahan batasan pada permasalahan ini dilakukan pada metode biasa

dalam meminimumkan biaya produksi Siaputo Alumunium. Perubahan batasan
dilakukan dengan mengubah setiap nilai a1 menjadi 10. Berdasarkan perubahan
tersebut maka didapatkan hasil sebagai berikut.

Gambar 4.5 Hasil Penyelesaian Masalah dari Perubahan Batasan

 Gambar 4.6 Nilai Value, Reduced Cost, Slack or Surplus, dan Dual Price dari
Perubahan Batasan
Berdasarkan hasil di atas dapat terlihat bahwa perubahan batasan pada
setiap pembatas sangat berpengaruh terhadap nilai pada solusi optimal. Hal ini
ditunjukkan dengan berubahnya biaya minimum dari Rp73.594.690,- menjadi
Rp32.594.070,-. Perubahan lainnya juga terlihat pada nilai dari setiap variabel
dimana perubahan tersebut ditunjukkan sebagai berikut:
X1 = 0 menjadi X1’ = 5,266667
X2 = 10 menjadi X2’ = 3,333333
X3 = 12,5 menjadi X3’ = 0
X4 = 0 menjadi X4’ = 2, 333333
X5 = 102,0833 menjadi X5’ = 15,33333

Beberapa nilai reduced cost, dual price, dan slack or surplus juga
mengalami perubahan nilai. Perubahan nilai ini menandakan adanya pengaruh
perubahan pembatas yang mempengaruhi nilai reduced cost, dual price, dan slack
or surplus. Nilai reduced cost yang tidak mengalami perubahan terletak pada
variabel X2 dan X5. Nilai dual price yang berubah yaitu terletak pada row 2, 4,
17, 20, 21, 23, dan 24. Seluruh nilai pada slack or surplus mengalami perubahan.

4. Penambahan variabel baru

 Penambahan variabel baru yaitu menambah aktivitas baru pada pembatas.
Bentuk umum dari penambahan variabel baru yaitu:
Zn+1 – Cn+1

Penambahan variabel baru pada permasalahan ini dilakukan pada metode

biasa dalam meminimumkan biaya produksi Siaputo Alumunium. Penambahan
variabel baru dilakukan dengan menambahkan variabel X6 dengan koefisien 1
pada pembatas 1, 2, dan 3. Berdasarkan penambahan tersebut maka didapatkan
hasil sebagai berikut.

Gambar 4.7 Hasil Penyelesaian Masalah dari Penambahan Variabel Baru

 Gambar 4.6 Nilai Value, Reduced Cost, Slack or Surplus, dan Dual Price dari
Penambahan Variabel Baru

Berdasarkan hasil di atas dapat terlihat bahwa penambahan variabel baru

pada beberap pembatas sangat berpengaruh terhadap nilai pada solusi optimal. Hal
ini ditunjukkan dengan berubahnya biaya minimum dari Rp73.594.690,- menjadi
Rp67.086.300,-. Perubahan lainnya juga terlihat pada nilai dari setiap variabel
dimana perubahan tersebut ditunjukkan sebagai berikut:
X2 = 10 menjadi X2’ = 3,333333
X3 = 12,5 menjadi X3’ = 22,91667
X4 = 0 menjadi X4’ = 2,5
X5 = 102,0833 menjadi X5’ = 94,09722
X6 = 9,166667

Beberapa nilai reduced cost, dual price, dan slack or surplus juga
mengalami perubahan nilai. Perubahan nilai ini menandakan adanya pengaruh
penambahan variabel baru yang mempengaruhi nilai reduced cost, dual price, dan
slack or surplus. Nilai reduced cost yang tidak mengalami perubahan terletak
pada variabel X2, X3, dan X5. Nilai dual price yang berubah yaitu terletak pada
row 4, 6, 21, dan 24. Nilai pada slack or surplus yang tidak mengalami perubahan
terletak pada row 4, 17, 21, dan 26.

5. Penambahan batasan atau kendala baru.

Penambahan batasan baru yaitu menambah beberapa pembatas pada fungsi
kendala. Bentuk umum dari penambahan batasan yaitu:
am+1 X ≤ bm+1

Penambahan pembatas pada permasalahan ini dilakukan pada metode

biasa dalam meminimumkan biaya produksi Siaputo Alumunium. Penambahan
pembatas dilakukan dengan menambahkan beberapa pembatas yaitu sebagai
berikut. Hasil yang diperoleh juga ditampilkan pada gambar berikut.
 Gambar 4.9 Penambahan Pembatas Baru

Gambar 4.10 Hasil Penambahan Pembatas Baru

Gambar 4.6 Nilai Value, Reduced Cost, Slack or Surplus, dan Dual Price dari
Penambahan Pembatas
 Berdasarkan hasil di atas dapat terlihat bahwa penambahan pembatas baru
pada fungsi kendala sangat berpengaruh terhadap nilai pada solusi optimal. Hal ini
ditunjukkan dengan berubahnya biaya minimum dari Rp73.594.690,- menjadi
Rp73.850.250,-. Perubahan lainnya juga terlihat pada nilai dari setiap variabel
dimana perubahan tersebut ditunjukkan sebagai berikut:
X1 = 0 menjadi X1’ = 2
X2 = 10 menjadi X2’ = 9
X3 = 12,5 menjadi X3’ = 10
X5 = 102,0833 menjadi X5’ = 105

Beberapa nilai reduced cost, dual price, dan slack or surplus juga
mengalami perubahan nilai. Perubahan nilai ini menandakan adanya pengaruh
penambahan pembatas baru yang mempengaruhi nilai reduced cost, dual price,
dan slack or surplus. Nilai reduced cost yang tidak mengalami perubahan terletak
pada variabel X2, X3, dan X5. Nilai dual price yang berubah yaitu terletak pada
row 4, 17, 21, 35 dan 36 hal ini menunjukkan adanya pengaruh terhadap
penambahan pembatas yang mempengaruhi nilai fungsi tujuan. Nilai pada slack
or surplus yang tidak mengalami perubahan terletak pada row 4, 17, 21, dan 29.
BAB V
PENUTUP

Bab ini berisikan kesimpulan dan saran setelah melakukan penelitian.

5.1 Kesimpulan

Berdasarkan hasil pengolahan data maka dapat ditarik kesimpulan sebagai

berikut:
1. Penggunaan metode branch and bounding pada permasalahan integer
linear programming menghasilkan biaya produksi sebesar Rp73.850.250,-
dimana didapatkan seluruh variabel bernilai bulat yang menandakan solusi
optimal sehingga dapat memudahkan dalam produksi lemari.
2. Penggunaan metode branch and bounding menghasilakan solusi layak
berupa bilangan bulat dimana banyak lemari yang diproduksi yaitu, 2
lemari pakaian, 9 lemari tempat piring, 10 lemari sepatu dan 105 lemari
P3K.

5.2 Saran

Berdasarkan pengolahan data yang telah dilakukan, maka penulis dapat

memberikan saran:

1. Teliti dalam pengolahan data yang banyak

2. Mengetahui materi mengenai pengolahan data.

DAFTAR PUSTAKA

Hasini, Ria Asysyfa. 2015. Optimasi Perencanaan Produksi Dengan

Menggunakan Metode Linear Programming Pada CV. Aceh Bakery.
Jurnal Optimalisasi. 1(1): 43-56.
Hendri. Jhon. 2009. Riset Operasional. Universitas Gunadharma.
Hikmah. 2017. Aplikasi Integer Linear Programming (Ilp) untuk Meminimumkan
Biaya Produksi pada Siaputo Aluminium. Jurnal Saintifik. 3(2): 128-135.
Hilman, Maman. 2017. Optimasi Proses Produksi Produk Makanan Pada Ukm
Makanan Di Kabupaten Ciamis Dengan Metode Integer Linier
Programming. Jurnal Media Teknologi. 4(1): 25-34.
Kurnia, Niken Septiani. 2020. Analisis Masalah Transhipment Menggunakan
Software Lingo di PT. SBT. Jurnal Ilmiah Teknologi Informasi Terapan.
6(2): 94-99.
Nuryana, Ilham. 2019. Optimasi Jumlah Produksi Pada UMKM Raina Kersen
Dengan Metode Linear Programming. Jurnal Media Teknologi. 6(1): 67-
90.
Susilowati, Etty. 2018. Analisis Kelayakan Dan Sensitivitas: Studi Kasus Industri
Kecil Tempe Kopti Semanan, Kecamatan Kalideres, Jakarta Barat. Jurnal
Bisnis dan Manajemen. 10(2): 102-117.
Wulandari, Lita. 2017. Analisis Investasi dan Sensitivitas Unit Usaha Pembiayaan
Syariah menuju Spin Off (Studi Kasus: Adira Finance). Jurnal Al-
Muzara’ah. 5(2): 125-133.