MODUL PERKULIAHAN

METODA
STOKASTIK
Jaringan dengan Permintaan –
Penawaran (2)

Fakultas Program Studi Pertemuan Kode MK Disusun Oleh

04
Teknik Teknik W161700021 Nyimas Desy Rizkiyah, S.ST, MT
Industri

Abstract Kompetensi
Modul menjelaskan lingkup Metode Mahasiswa diharapkan mampu
Stokastik. memahami kontrak perkuliahan dan
diskusi tentang Jaringan dengan
Permintaan – Penawaran dengan model
matematis Programa Integer atau Non
Integer dan metode Heuristics
Materi Pembelajaran
1. Pengenalan model Jaringan dengan Permintaan – Penawaran;

2. Pengenalan studi kasus tentang Jaringan dengan Permintaan - Penawaran

3. Membangun model; matematis Jaringan dengan Permintaan – Penawaran

4. Simulasi soal Jaringan dengan Permintaan – Penawaran

4.1. SHORTEST- ROUTE PROBLEM (LINTASAN TERPENDEK)

Shortest path adalah pencarian rute atau path terpendek antara node yang ada pada graf
dengan biaya (cost) yang dihasilkan adalah minimum. Untuk mencari lintasan yang akan
dilalui sampai optimum adalah mendapatkn lintasan yang paling pendek dari satu verteks ke
vertex yang lain.

Ada beberapa macam persoalan lintasan terpendek, antara lain :

1. Lintasan terpendek antara dua buah verteks.

2. Lintasan terpendek antara semua pasangan verteks.

3. Lintasan terpendek dari verteks tertentu ke semua verteks yang lain

4. Lintasan terpendek antara dua buah verteks yang melalui beberapa verteks tertentu.

Dalam pencarian lintasan terpendek ada beberapa algoritma yang dapat dipergunakan,
misalnya algoritma Exhaustive Search dalam menentukan lintasan terpendek dalam satuan
kilometer (km). Jalur terpendek (shortest path) adalah jalur optimum yang dapat
diselesaikan dengan menggunakan graf. Jalur ini biasanya ditentukan oleh rute yang
memiliki total biaya perjalanan yang paling kecil atau murah. Jika diaplikasikan dengan graf
maka setiap garis pada simpul titik memiliki bobot berupa nilai dan apabila dijumlahkan
bobot dari garis yang dilalui maka memiliki nilai yang minimal.

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

2 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
ILUSTRASI
Tentukan rute terpendek dari node 1 ke node 7, pada gambar berikut ini

Beberapa Kemungkinan, yakni

1  2  3  4  5  7

2 + 6 + 1 + 4 + 25 = 38

1  2  3  4  6 7

2 + 6 + 1 + 35 + 5 = 49

1  2  3  5  7

2 + 6 + 3 + 25 = 36 Ini lintasan terpendek

1  3  5  7

9 + 3 + 25 = 37

Persoalan lintasan terpendek banyak dijumpai di kehidupan sehari-hari. Aplikasi yang paling sering
ditemui adalah pada bidang transportasi dan komunikasi, seperti pada pencarian rute terbaik untuk
menempuh dua kota atau untuk mengetahui dan menelusuri proses pengiriman paket data
komunikasi dalam suatu jaringan komunikasi agar dihasilkan suatu proses yang paling cepat. Untuk
menyelesaikan kasus seperti itu, maka dibutuhkan suatu sistem yang sistematis dan tepat sehingga
masalah pencarian lintasan terpendek dapat terselesaikan.

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

3 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Contoh 1. Equipment Replacement
RentCar mengembangkan kebijakan untuk armada mobil untuk perencanaan 4 tahun. Mulai tahun
pertama beroperasi sampai akhir yaitu :

Mobil harus diservice minimum 1 tahun dan maksimum 3 tahun. Tabel berikut menyedikan ongkos
perubahan sebagai fungsi tahun mobil beroperasi

Penyelesaian

Menggunakan QM For Windows

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

4 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Contoh 2. Most Reliable Route

Gambar ini memperlihatkan rute yang memungkinkan antara rumah dan kerja dan probabilitas
berhenti pada setiap not. Kemungkinannya berubah dari rute 1357 adalah .9 x .3 x .25 =
.00675.

ALGORITMA LINTASAN TERPENDEK

Pada perkuliahan ini akan disajikan dua algoritma untuk menyelesaikan jaringan siklik (mengandung
loop) dan asiklik, yakni
1. Algoritma Dijkstra
2. Algoritma Floyd

ALGORITMA DIJKSTRA
Algoritme Dijkstra, (sesuai penemunya Edsger Dijkstra), adalah sebuah algoritma yang dipakai
dalam memecahkan permasalahan jarak terpendek (shortest path problem) untuk
sebuah graf berarah (directed graph).
Permasalahan rute terpendek dari sebuah titik ke akhir titik lain adalah sebuah masalah klasik
optimasi yang banyak digunakan untuk menguji sebuah algoritma yang diusulkan. Permasalahan
rute terpendek dianggap cukup baik untuk mewakili masalah optimisasi, karena

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

5 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
permasalahannya mudah dimengerti (hanya menjumlahkan seluruh edge yang dilalui) namun
memiliki banyak pilihan solusi.
Algoritma Dijkstra merupakan salah satu varian dari algoritma greedy, yaitu salah satu bentuk
algoritma populer dalam pemecahan persoalan yang terkait dengan masalah optimasi. Sifatnya
sederhana dan lempang (straightforward). Sesuai dengan artinya yang secara harafiah berarti tamak
atau rakus – namun tidak dalam konteks negatif –, algoritma greedy ini hanya memikirkan solusi
terbaik yang akan diambil pada setiap langkah tanpa memikirkan konsekuensi ke depan. Prinsipnya,
ambillah apa yang bisa Anda dapatkan saat ini (take what you can get now!), dan keputusan yang
telah diambil pada setiap langkah tidak akan bisa diubah kembali. Intinya algoritma greedy ini
berupaya membuat pilihan nilai optimum lokal pada setiap langkah dan berharap agar nilai optimum
lokal ini mengarah kepada nilai optimum global.
Elemen-elemen penyusun algoritma greedy adalah:
1. Himpunan kandidat, C Himpunan ini berisi elemen-elemen yang memiliki peluang untuk
membentuk solusi. Pada persoalan lintasan terpendek dalam graf, himpunan kandidat ini
adalah himpunan simpul pada graf tersebut.
2. Himpunan solusi, S Himpunan ini berisi solusi dari permasalahan yang diselesaikan dan
elemennya terdiri dari elemen dalam himpunan kandidat namun tidak semuanya atau
dengan kata lain himpunan solusi ini adalah upabagian dari himpunan kandidat.
3. Fungsi seleksi Fungsi seleksi adalah fungsi yang akan memilih setiap kandidat yang yang
memungkinkan untuk menghasilkan solusi optimal pada setiap langkahnya.
4. Fungsi kelayakan Fungsi kelayakan akan memeriksa apakah suatu kandidat yang telah
terpilih (terseleksi) melanggar constraint atau tidak. Apabila kandidat melanggar constraint
maka kandidat tidak akan dimasukkan ke dalam himpunan solusi.
5. Fungsi objektif Fungsi objektif akan memaksimalkan atau meminimalkan nilai solusi.
Tujuannya adalah memilih satu saja solusi terbaik dari masing-masing anggota himpunan
solusi.

Analisis Algoritma Dijkstra

Ada beberapa kasus pencarian lintasan terpendek yang diselesaikan menggunakan algoritma
Dijkstra, yaitu: pencarian lintasan terpendek antara dua buah simpul tertentu (a pair shortest path),
pencarian lintasan terpendek antara semua pasangan simpul (all pairs shortest path), pencarian
lintasan terpendek dari simpul tertentu ke semua simpul yang lain (single-source shortest path),
serta pencarian lintasan terpendek antara dua buah simpul yang melalui beberapa simpul tertentu

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

6 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
(intermediate shortest path). Penggunaan strategi greedy pada algoritma Dijkstra adalah: Pada
setiap langkah, ambil busur berbobot minimum yang menghubungkan sebuah simpul yang sudah
terpilih dengan sebuah simpul lain yang belum terpilih. Lintasan dari simpul asal ke simpul yang baru
haruslah merupakan lintasan yang terpendek di antara semua lintasannya ke simpul-simpul yang
belum terpilih.
Algoritma Dijkstra bekerja dengan membuat jalur ke satu simpul optimal pada setiap langkah. Jadi
pada langkah ke n, setidaknya ada n node yang sudah kita tahu jalur terpendek. Langkah-langkah
algoritma Dijkstra dapat dilakukan dengan langkah-langkah berikut:
1. Tentukan titik mana yang akan menjadi node awal, lalu beri bobot jarak pada node pertama
ke node terdekat satu per satu, Dijkstra akan melakukan pengembangan pencarian dari satu
titik ke titik lain dan ke titik selanjutnya tahap demi tahap.

2. Beri nilai bobot (jarak) untuk setiap titik ke titik lainnya, lalu set nilai 0 pada node awal dan
nilai tak hingga terhadap node lain (belum terisi) 2.

3. Set semua node yang belum dilalui dan set node awal sebagai “Node keberangkatan”

4. Dari node keberangkatan, pertimbangkan node tetangga yang belum dilalui dan hitung
jaraknya dari titik keberangkatan. Jika jarak ini lebih kecil dari jarak sebelumnya (yang telah
terekam sebelumnya) hapus data lama, simpan ulang data jarak dengan jarak yang baru

5. Saat kita selesai mempertimbangkan setiap jarak terhadap node tetangga, tandai node yang
telah dilalui sebagai “Node dilewati”. Node yang dilewati tidak akan pernah di cek kembali,
jarak yang disimpan adalah jarak terakhir dan yang paling minimal bobotnya.

6. Set “Node belum dilewati” dengan jarak terkecil (dari node keberangkatan) sebagai “Node
Keberangkatan” selanjutnya dan ulangi langkah e.

Pseudocode Dijkstra

1 fungsi Dijkstra(Graf, asal):

2 Q adalah himpunan titik
3
4 untuk setiap titik v dalam Graf:
5 jarak[v] ← tak hingga
6 sebelum[v] ← kosong
7 tambahkan v ke dalam Q
8 jarak[asal] ← 0;
9
10 selama Q tidak kosong:
11 u ← titik dalam Q dengan nilai jarak[u] terkecil
12 hapus u dari Q
13
14 untuk setiap tetangga v dari u: // hanya v yang masih dalam
Q
15 alt ← jarak[u] + jarak_antara(u, v)
16 jika alt < jarak[v]:
17 jarak[v] ← alt
2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar
7 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
18 sebelum[v] ← u
19
20 kembalikan jarak[], sebelum[]

ALGORITMA FLOYD
Algoritma Floyd-Warshall. Algoritma ini ditemukan Robert W. Floyd pada tahun 1967. Algoritma
Floyd-Warshall memiliki input graf berarah dan berbobot (V,E), yang berupa daftar titik (node/vertex
V) dan daftar busur (edge E). Jumlah bobot busur pada sebuah jalur adalah bobot jalur tersebut.
Busur pada E diperbolehkan memiliki bobot negatif, akan tetapi tidak diperbolehkan bagi graf ini
untuk memiliki siklus. Algoritma ini menghitung bobot terkecil dari semua jalur yang
menghubungkan sebuah pasangan titik, dan melakukannya sekaligus untuk semua pasangan titik.
Algoritma Floyd-Warshall adalah salah satu varian dari pemrograman dinamis, yaitu suatu metode
yang melakukan pemecahan masalah dengan memandang solusi yang akan diperoleh sebagai suatu
keputusan yang saling terkait. Artinya solusi-solusi tersebut dibentuk dari solusi yang berasal dari
tahap sebelumnya dan ada kemungkinan solusi lebih dari satu. Hal yang membedakan pencarian
solusi menggunakan pemrograman dinamis dengan algoritma greedy adalah bahwa keputusan yang
diambil pada tiap tahap pada algoritma greedy hanya berdasarkan pada informasi yang terbatas
sehingga nilai optimum yang diperoleh pada saat itu Jadi pada algoritma greedy, kita tidak
memikirkan konsekuensi yang akan terjadi seandainya kita memilih suatu keputusan pada suatu
tahap. Dalam beberapa kasus, algoritma greedy gagal memberikan solusi terbaik karena kelemahan
yang dimilikinya tadi. Di sinilah peran pemrograman dinamis yang mencoba untuk memberikan
solusi yang memiliki pemikiran terhadap konsekuensi yang ditimbulkan dari pengambilan keputusan
pada suatu tahap. Pemrograman dinamis mampu mengurangi pengenumerasian keputusan yang
tidak mengarah ke solusi. Prinsip yang dipegang oleh pemrograman dinamis adalah prinsip
optimalitas, yaitu jika solusi total optimal, maka bagian solusi sampai suatu tahap (misalnya tahap
ke-i) juga optimal.

Analisis Algoritma Floyd-Warshall

Algoritma Floyd-Warshall membandingkan semua kemungkinan lintasan pada graf untuk setiap
busur dari semua simpul. Menariknya, algoritma ini mampu mengerjakan proses perbandingkan ini
sebanyak V3 kali (bandingkan dengan kemungkinan jumlah busur sebanyak V2 (kuadrat jumlah
simpul) pada graf, dan setiap kombinasi busur diujikan). Hal tersebut bisa terjadi karena adanya
perkiraan pengambilkan keputusan (pemilihan jalur terpendek) pada setiap tahap antara dua simpul,
hingga perkiraan tersebut diketahui sebagai nilai optimal, Misalkan terdapat suatu graf G dengan

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

8 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
simpul-simpul V yang masing-masing bernomor 1 s.d. N (sebanyak N buah). Misalkan pula terdapat
suatu fungsi shortestPath(i, j, k) yang mengembalikan kemungkinan jalur terpendek dari i ke j
dengan hanya memanfaatkan simpul 1 s.d. k sebagai titik perantara. Tujuan akhir penggunaan fungsi
ini adalah untuk mencari jalur terpendek dari setiap simpul i ke simpul j dengan perantara simpul 1
s.d. k+1. Ada dua kemungkinan yang terjadi: 1. Jalur terpendek yang sebenarnya hanya berasal dari
simpul-simpul yang berada antara 1 hingga k. 2. Ada sebagian jalur yang berasal dari simpul-simpul i
s.d. k+1, dan juga dari k+1 hingga j Perlu diketahui bahwa jalur terpendek dari i ke j yang hanya
melewati simpul 1 s.d. k telah didefinisikan pada fungsi shortestPath(i, j, k) dan telah jelas bahwa jika
ada solusi dari i s.d. k+1 hingga j, maka panjang dari solusi tadi adalah jumlah (konkatenasi) dari jalur
terpendek dari i s.d. k+1 (yang melewati simpul-simpul 1 s.d. k), dan jalur terpendek dari k+1 s.d. j
(juga menggunakan simpulsimpul dari 1 s.d. k).

4.2 MINIMUM COST FLOW PROBLEM

Masalah arus biaya minimum memegang poran penting dalam model pengoptimalan jaringan,
mencakup aplikasi yang luas dan dapat diselesaikan dengan sangat efisien. Sama seperti masalah
aliran maksimum, masalah biaya minimum ini mempertimbangkan aliran melalui jaringan dengan
kapasitas busur terbatas. Masalah ini mempertimbangkan biaya (atau jarak) untuk aliran melalui
busur. Contoh masalah transportasi, dapat mempertimbangkan berbagai sumber (node pasokan)
dan beberapa tujuan (node permintaan) untuk arus dengan biaya terkait. Masalah ini dapat
dirumuskan sebagai masalah pemrograman linier sehingga dapat diselesaikan dengan versi
sederhana dari metode simpleks yang disebut metode simplex jaringan.
Masalah arus biaya minimum dijelaskan di bawah ini.
1. Jaringan adalah jaringan berarah (digraph) dan terhubung.
2. Setidaknya salah satu node adalah node suplai.
3. Setidaknya satu dari node lainnya adalah node permintaan.
4. Semua node yang tersisa adalah node transshipment.
5. Aliran melalui busur hanya diperbolehkan dalam arah yang ditunjukkan oleh panah, di mana
jumlah maksimum aliran diberikan oleh kapasitas busur itu. (Jika aliran dapat terjadi di
kedua arah, ini akan diwakili oleh sepasang busur yang menunjuk ke arah yang berlawanan.)
6. Jaringan memiliki busur yang cukup dengan kapasitas yang cukup untuk memungkinkan
semua aliran yang dihasilkan pada node suplai untuk mencapai semua node permintaan.
7. Biaya aliran melalui setiap busur sebanding dengan jumlah aliran itu, di mana biaya per unit
aliran diketahui.
2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar
9 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
 8. Tujuannya adalah untuk meminimalkan total biaya pengiriman pasokan yang tersedia
melalui jaringan untuk memenuhi permintaan yang diberikan. (Tujuan alternatif adalah
untuk memaksimalkan keuntungan total dari melakukan ini.)

The minimum-cost flow problem (MCFP) is an optimization and decision problem to find the
cheapest possible way of sending a certain amount of flow through a flow network. A typical
application of this problem involves finding the best delivery route from a factory to a warehouse
where the road network has some capacity and cost associated. The minimum cost flow problem is
one of the most fundamental among all flow and circulation problems because most other such
problems can be cast as a minimum cost flow problem and also that it can be solved efficiently using
the network simplex algorithm.Supply chain logistics can often be represented by a min cost flow
problem.

Beberapa Aplikasi
Jenis penerapan yang paling penting dari masalah arus biaya minimum adalah pengoperasian
jaringan distribusi perusahaan.

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

10 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Seperti yang dirangkum pada baris pertama Tabel, jenis aplikasi ini selalu melibatkan penentuan
rencana pengiriman barang dari sumbernya (pabrik, dll.) Ke fasilitas penyimpanan perantara (sesuai
kebutuhan) dan kemudian ke pelanggan.

Perumusan Model
Perhatikan pada jaringan berarah dan terhubung di mana n node memiliki setidaknya satu node
suplai dan satu node permintaan. Variabel keputusan adalah

xij : flow through arc i  j,

and the given information includes
cij := cost per unit flow through arc i j,
uij : arc capacity for arc i j,
bi : net flow generated at node i.

The value of bi depends on the nature of node i, where

bi > 0 if node i is a supply node,
bi < 0 if node i is a demand node,
bi = 0 if node i is a transshipment node.

Tujuannya adalah untuk meminimalkan total biaya pengiriman pasokan yang tersedia melalui
jaringan untuk memenuhi permintaan yang diberikan. Dengan menggunakan konvensi bahwa
penjumlahan diambil hanya dari busur yang ada, rumusan pemrograman linier dari masalah ini
adalah

Minimize :

subject to

And
2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar
11 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Penjumlahan pertama pada batasan node merepresentasikan total aliran yang keluar dari node i,
sedangkan penjumlahan kedua merepresentasikan total aliran ke node i, sehingga perbedaannya
adalah net flow yang dihasilkan pada node ini.
Tidak ada jaminan bahwa masalah sebenarnya akan memiliki solusi yang layak, tergantung sebagian
pada busur mana yang ada dalam jaringan dan kapasitas busurnya. Namun, untuk jaringan yang
didesain secara wajar, syarat utama yang dibutuhkan adalah sebagai berikut.

Feasible solutions property:

Kondisi yang diperlukan untuk masalah arus biaya minimum untuk mendapatkan solusi yang layak
adalah itu

Artinya, total aliran yang dihasilkan di node suplai sama dengan total aliran yang diserap di node
permintaan.
Untuk banyak aplikasi, bi dan uij akan memiliki nilai integer, dan implementasi akan mensyaratkan
bahwa besaran aliran xij juga merupakan integer.

Integer solutions property:

Untuk masalah arus biaya minimum di mana setiap bi dan uij memiliki nilai integer, semua variabel
dasar dalam setiap solusi dasar yang layak (BF) (termasuk yang optimal) juga memiliki nilai bilangan
integer.

Algoritma Capacity Scaling

Algoritma capacity scaling ini pertama kali ditemukan oleh Gabow pada tahun 1985, dan kemudian
disempurnakan oleh Ahuja dan Orlin pada tahun 1991. Pada salah satu jurnal berjudul “A Capacity
Scaling for The Constrained Maximum Flow Problem” yang ditulis oleh Ahuja dan Orlin (1993)
menyebutkan bahwa algoritma capacity scaling dapat digunakan dalam menyelesaikanpermasalahan
maximum flow. Ide pokok yang mendasari algoritma capacity scaling ini adalah menambahkan aliran
sepanjang lintasan yang memiliki kapasitas sisa cukup besar. algoritma capacity scaling ini baik
digunakan untuk jaringan yang memiliki kapasitas sisi cukup besar

Contoh 3.
DISTRIBUTION UNLIMITED CO. Akan memproduksi produk baru yang sama di dua pabrik yang
berbeda, dan kemudian produk tersebut harus dikirim ke dua gudang, di mana salah satu pabrik
dapat memasok salah satu gudang. Jaringan distribusi yang tersedia untuk pengiriman produk ini
ditunjukkan pada Gambar

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

12 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
dimana F1 dan F2 adalah dua pabrik, W1 dan W2 adalah dua gudang, dan DC adalah pusat distribusi.
Jumlah yang akan dikirim dari F1 dan F2 ditampilkan di sebelah kiri, dan jumlah yang akan diterima
di W1 dan W2 ditampilkan di sebelah kanan.
Setiap panah mewakili jalur pengiriman yang layak.
Jadi, F1 dapat mengirim langsung ke W1 dan memiliki tiga kemungkinan rute (F1  DC W2, F1 
F2 DC  W2, dan F1  W1  W2) untuk pengiriman ke W2.
Pabrik F2 hanya memiliki satu rute ke W2 (F2  DC  W2) dan satu ke W1 (F2  DC  W2  W1).
B
iaya per unit yang dikirim melalui setiap jalur pengiriman ditampilkan di sebelah panah. Juga
ditunjukkan di sebelah F1  F2 dan DC  W2 adalah jumlah maksimum yang dapat dikirim melalui
jalur ini. Jalur lain memiliki kapasitas pengiriman yang cukup untuk menangani semua yang dapat
dikirim oleh pabrik-pabrik ini.
Keputusan yang harus diambil menyangkut berapa banyak yang akan dikirim melalui setiap jalur
pelayaran. Tujuannya untuk meminimalkan total biaya pengiriman.

Penyelesaian
Model pemrograman linier untuk contoh ini adalah
Fungsi Tujuan: Minimize

Fungsi Kendala

dan

Metoda Penyelesian 1 : Menggunakan Excel untuk Merumuskan dan Memecahkan Masalah Arus
Biaya Minimum

Using Excel to Formulate and Solve Minimum Cost Flow Problems

A spreadsheet formulation for the Distribution Unlimited Co. minimum cost flow problem, where
the changing cells (D4:D10) show the optimal solution obtained by the Excel Solver
and the target cell (D12) gives the resulting total cost of the flow of shipments through the network.
2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar
13 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Excel provides a convenient way of formulating and solving small minimum cost flow problems like
this one, as well as somewhat larger problems. Figure 9.13 shows how this can be done. The format
is almost the same as displayed in Fig. 9.11 for a maximum flow problem. One difference is that the
unit costs (cij) now need to be included (in column G). Because bi values are specified for every
node, net flow constraints are needed for all the nodes. However, only two of the arcs happen to
need arc capacity constraints. The target cell (D12) now gives the total cost of the flow (shipments)
through the network (see its equation at the bottom of the figure), so the objective specified in the
Solver dialogue box is to minimize this quantity. The changing cells (D4:D10) in this spreadsheet
show the optimal solution obtained after clicking on the Solve button. For much larger minimum
cost flow problems, the network simplex method described in the next section provides a
considerably more efficient solution procedure. It also is an attractive option for solving various
special cases of the minimum cost flow problem outlined below.

This algorithm is commonly included in mathematical programming software packages.

For example, it is one of the options with CPLEX. We shall soon solve this same example by the
network simplex method. However, let us first see how some special cases fit into the network
format of the minimum cost flow problem.

Latihan Soal
The Transportation Problem. To formulate the transportation problem presented in Sec. 8.1 as a
minimum cost flow problem, a supply node is provided for each source, as well as a demand node
for each destination, but no transshipment nodes are included in the network. All the arcs are
directed from a supply node to a demand node, where distributing xij units from source i to
destination j corresponds to a flow of xij through arc i j. The cost cij per unit distributed becomes
the cost cij per unit of flow. Since the transportation problem does not impose upper bound
constraints on individual xij, all the uij. Using this formulation for the P & T Co. transportation
problem presented in Table 8.2 yields the network shown in Fig. 8.2. The corresponding network for
the general transportation problem is shown in Fig. 8.3.

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

14 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
The Assignment Problem. Since the assignment problem discussed in Sec. 8.3 is a special type of
transportation problem, its formulation as a minimum cost flow problem fits into the same format.
The additional factors are that (1) the number of supply nodes equals the number of demand nodes,
(2) bi 1 for each supply node, and (3) bi 1 for each demand node. Figure 8.5 shows this
formulation for the general assignment problem.

The Transshipment Problem. This special case actually includes all the general features of the
minimum cost flow problem except for not having (finite) arc capacities. Thus, any minimum cost
flow problem where each arc can carry any desired amount of Flow is also called a transshipment
problem. For example, the Distribution Unlimited Co. problem shown in Fig. 9.13 would be a
transshipment problem if the upper bounds on the flow through arcs A B and C E were removed.
Transshipment problems frequently arise as generalizations of transportation problems where units
being distributed from each source to each destination can first pass through intermediate points.
These intermediate points may include other sources and destinations, as well as additional transfer
points that would be represented by transshipment nodes in the network representation of the
problem. For example, the Distribution Unlimited Co. problem can be viewed as a generalization of a
transportation problem with two sources (the two factories represented by nodes A and B in Fig.
9.13), two destinations (the two warehouses represented by nodes D and E ), and one additional
intermediate transfer point (the distribution center represented by node C).

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

15 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
4.3 Metode Pencarian Heuristik
Pemecahan masalah adalah suatu kemampuan yang harus dikuasai oleh mahasiswa dalam
menggunakan konsep-konsep matematika untuk memecahkan masalah dalam kehidupan mereka.
Pemecahan masalah memiliki dimensi tujuan, proses dan kemampuan dasar. pemecahan masalah
adalah suatu proses berpikir untuk menemukan soluasi dari masalah.
Dalam dimensi proses, pemecahan masalah adalah suatu proses berpikir yang berupa tahapan-
tahapan yang disebut heuristik. Heuristik adalah suatu tahapan berpikir yang membantu pemecah
masalah untuk menemukan solusi dari masalah.
Model umum heuristik pemecahan masalah pertama kali dikembangkan oleh Polya dalam berbagai
karya tulisnya. Strategi berpikir pemecahan masalah menurut Polya dijadikan sebagai model umum
strategi pemecahan masalah. Buku Polya yang pertama yaitu How To Solve It (1945) menjadi
rujukan utama dan pertama tentang berbagai pengembangan pembelajaran pemecahan masalah
terutama masalah matematika. Menurut Polya bahwa solusi soal pemecahan masalah memuat
empat langkah penyelesaian, yaitu : (1) pemahaman terhadap permasalahan; (2) Perencanaan
penyelesaian masalah; (3) Melaksanakan perencanaan penyelesaian masalah; dan (4) Melihat
kembali penyelesaian. Langkah-langkah pemecahan masalah ini kemudian disebut Heuristik.
Kata heuristic berasal dari sebuah kata kerja bahasa Yunani, yaitu heuriskein, yang berarti mencari’
atau menemukan. Metode heuristik adalah suatu metode yang menggunakan sistem pendekatan
dalam melakukan pencarian optimasi. Dalam metode pencarian, kata heuristik diartikan sebagai
suatu fungsi yang menghitung biaya perkiraan (estimasi) dari titik awal menuju titik tujuan. Heuristik
mempunyai informasi tentang cost/biaya untuk mencapai goal state dari current state. Dengan
informasi tersebut, pencarian heuristik dapat melakukan pertimbangan untuk mengembangkan atau
memeriksa node-node yang mengarah ke goal state. Misalnya pencarian rute pada suatu peta, bila
kita berangkat dari kota A ke kota tujuan B yang letaknya di utara kota A, dengan pencarian
heuristik, pencarian akan lebih difokuskan ke arah utara (dengan informasi cost ke goal), sehingga
secara umum pencarian heuristik lebih efisien. Heuristik merupakan sebuah teknik yang
mengembangkan efisiensi dalam proses pencarian. Untuk dapat menerapkan heuristik tersebut
dengan baik dalam suatu domain tertentu, diperlukan fungsi heuristik (suatu fungsi untuk
menghitung nilai atau biaya perkiraan dari suatu solusi permasalahan yang dicari) sebagai modal
untuk melakukan iterasi menuju goal state. Fungsi heuristik berbeda dengan algoritma, dimana
heuristik lebih merupakan perkiraan untuk membantu algoritma dan tidak harus valid setiap waktu.
Meskipun begitu, semakin bagus fungsi heuristik yang dipakai, semakin cepat dan akurat pula solusi
yang diperoleh. Menentukan heuristik yang tepat untuk suatu kasus dan implementasi yang ada juga
2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar
16 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
sangat berpengaruh terhadap kinerja algoritma pencarian. Jenis-jenis pencarian heuristik yaitu:
Generate and Test, Hill Climbing, Best-First Search, dan lainlain, namun dalam penelitian ini penulis
hanya akan membahas jenis pencarian Best-First Search.
Heuristik adalah suatu langkah-langkah umum yang memandu pemecah masalah dalam menemukan
solusi masalah. Berbeda dengan algoritma yang berupa prosedur penyelesaian sesuatu dimana jika
prosedur itu digunakan maka akan sampai pada solusi yang benar. Sementara Heuristik tidak
menjamin solusi yang tepat, tetapi hanya memandu dalam menemukan solusi. Jika langkah-langkah
algoritma harus dilakukan secara berurutan, maka
heuristik tidak menuntut langkah berurutan.
Pemecahan masalah memiliki 3 dimensi, yaitu : sebagai suatu tujuan pembelajaran matematika
(goal), sebagai proses berpikir (process), dan sebagai kemampuan dasar (basic skill).
Model Heuristik Wickelgren
Model heuristik ini merupakan perincian dari heuristik Polya yang terdiri dari 4 langkah pemecahan
masalah, yaitu : menganalisis dan memahami masalah (analyzing and understanding a problem);
merancang dan merencanakan solusi (designing and planning a solution); mencari solusi dari
masalah (exploring solution to difficult problem); dan memeriksa solusi (verifying a solution). Berikut
ini adalah rincian dari langkah-langkah tersebut.
1 Menganalisis dan memahami masalah (analyzing and understanding a problem)
 Membuat gambar atau ilustrasi jika memungkinkan
 Mencari kasus yang khusus
 Mencoba memahami masalah secara sederhana
2 Merancang dan merencanakan solusi (designing and planning a solution)
 Merencanakan solusi secara sistematis
 Menentukan apa yang akan dilakukan, bagaiamana melakukannya serta hasil yang
diharapkan
3 Mencari solusi dari masalah (exploring solution to difficult problem)
 Menentukan berbagai masalah yang ekivalen, yaitu : penggantian kondisi dengan
yang ekivalen; menyusun kembali bagian-bagian masalah dengan cara berbeda;
menambah bagian yang diperlukan; serta memformulasikan kembali masalah.
 Menentukan dan melakukan memodifikasi secara lebih sederhana dari masalah
sebenarnya, yaitu : memilih tujuan antara dan mencoba memecahkannya;
mencoba lagi mencari solusi akhir; dan memecahkan soal secara bertahap.
 Menentukan dan melakukan memodifikasi secara umum dari masalah sebenarnya,
yiatu : memecahkan masalah yang analog dengan variable yang lebih sedikit;
mencoba menyelsaikan dengan kondisi satu variabel; serta memecahkan masalah
melalui masalah yang mirip.
4 Memeriksa solusi (verifying a solution)
 Menggunakan pemeriksaan secara khusus terhadap setiap informasi dan langkah
penyelesaian
 Menggunakan pemeriksaan secara umum untuk mengetahui masalah secara
umum dan pengembangannya

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

17 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Model Heuristik Krulik dan Rudnik
Model heuristik Krulik dan Rudnik terdiri dari
1 Read and Think (Membaca dan Berpikir)
 Mengidentifikasi fakta
 Mengidentifikasi pertanyaan
 Memvisualisasikan situasi
 Menjelaskan setting
 Menentukan tindakan selanjutnya
2 Explore and Plan (Ekplorasi dan Merencanakan)
 Mengorganisasikan informasi
 Mencari apakah ada informasi yang sesuai/diperlukan
 Mencari apakah ada informasi yang tidak diperlukan
 Mengambar/mengilustrasikan model masalah
 Membuat diagram, tabel, atau gambar
3 Select a Strategy (Memilih Strategi)
 Menemukan/membuat pola
 Bekerja mundur
 Coba dan kerjakan
 Simulasi atau eksperimen
 Penyederhanaan atau ekspansi
 Membuat daftar berurutan
 Deduksi logis
 Membagi atau mengkategorikan permasalahan menjadi masalah sederhana
4 Reflect and Extend (Refleksi dan Mengembangkan)
 Memeriksa kembali jawaban
 Menentukan solusi alternatif
 Mengembangkan jawaban pada situasi lain
 Mengembangkan jawaban (generalisasi atau konseptualisasi)
 Mendiskusikan jawaban
 Menciptakan variasi masalah dari masalah yang asal

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

18 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id
Referensi
1. Hiller dan Lieberman, Introduction to Operatios Research, Edisi 8,McGraw-Hill Publ. Co,
New York, 2005.

2. Taha, Hamdy A., Operation Research: An Introduction, Edisi 6,Macmillan Publ. Co.,
London, 1997.

3. Papoulis, A. and S. Unnikrishna P. Probability, Random Variabeles, and Stochastic

Processes, 4th Edition, New York: McGraw-Hill, 2002.

4. Taylor,H.M. and Karlin, S., An Introduction to Stochastic Modelling, edisi revisi, San
Diego: Academic Press, 1994.

5. Taylor, H.M., and Karlin, S, A First Course in Stochastic Process. New York: Academic
Press,1975.

6. Heizer, Jay dan Render, Barry., Manajemen Operasi, Terjemahan Dwianoegrahwati

Setyoningsih dan Indra Almahdy dari Operation Management,Penerbit Salemba Empat,
Jakarta, 2005.

2020 Metoda Stokastik Pusat Pengembangan Bahan Ajar

19 Nyimas Desy Rizkiyah, S.ST, MT http://www.mercubuana.ac.id