Penelitian Operasional

DIKTAT KULIAH
PENELITIAN OPERASIONAL I
Copyrigth by :
Agustian Suseno, ST. SE. MM.
Hanya dipergunakan di
kalangan sendiri
JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS SINGAPERBANGSA KARAWANG
2007
Diktat Penelitian Operasional I Halaman 2
DIKTAT KULIAH
PENELITIAN OPERASIONAL I
Copyright by :
Agustian Suseno, ST. SE. MM.
Hanya Dipergunakan di Lingkungan Sendiri
Mengetahui :
Dekan Fakultas Teknik

ADE MOMON SUBAGYO, ST. MT
Ketua Program Study Teknik Industri

WINARNO, ST. MT.

Mata Kuliah Kode Kredit

Penelitian Operasional I TI.4308 3 SKS Wajib
Sasaran
Memberikan pemahaman pengenai pokok-pokok dan garis besar
pemodelan matematis dalam penelitian operasional, model-model dan
teknik-teknik solusi masalah programa linier, masalah penugasan, masalah
programa sasaran (goal programming) dan programa bilangan bulat.
Memberikan keterampilan untuk merumuskan dan memecahkan
permasalahan nyata dalam disiplin ilmu teknik industri dengan
menggunakan model-model dan teknik-teknik solusi tersebut.
Pokok Isi Mata Kuliah

1. Pengantar Penelitian Operasional, sejarah dan langkah-langkah
pemodelan matematis dalam penelitian Operasional.
2. Programa Linier, pengantar programa linier, pemecahan programa linier
dengan metode grafis, dan dengan metoda simpleks dalam bentuk
tabular, penentuan basis layak dan penggunaaan variabel semu dalam
perumusan masalah programa linier (mencakup metoda Big M dan
metode dua fasa.
3. Teori dualitas dan analisis sensitivitas, teori dualitas, interpretasi
ekonomis dari dualitas, hubungan primal dual, metoda dual simpleks,
analisis sensitivitas dan program parametrik.
4. Topik-topik lanjutan dalam programa linier, algoritma simpleks dalam
bentuk matrik, metoda simplek yang diperbaiki, algoritma untuk masalah
dengan variabel yang dibatasi, algoritma dekomposisi dan lain-lain.
5. Masalah transportasi dan penugasan, perumusan masalah transportasi
dalam bentuk model dan algoritma pemecahannya.
6. Programa sasaran dan programa bilangan bulat, perumusan dan

algoritma-algoritma pemecahannya.
Prasyarat
Kalkulus I dan II
Matrik dan Ruang Vektor
Pustaka Utama
1. Hiller, F. S. Liberman, G. J., Introduction to Operations Research, Fifth
edition, McGraw Hill Publishing Co., Singapore, 1990.
2. Taha, H. A., Operations Research, An Introduction, Prentice Hall, New
York,1997.
3. Tarliah Dimyati Tjutju-Ahmad Dimyati, Operations Research : Model-
model Pengambilan Keputusan, Edisi Kedua, Sinar Baru Algensindo,
Bandung, 1999.
Proses Pembelajaran
 Tatap Muka
 Tugas Mandiri
OPERATIONS RESEARCH
Arti Operation Research

Secara Harfiah kata Operations didefinisikan sebagai tindakan-tindakan
yang diterapkan pada beberapa masalah atau hipotesa. Kata Research
adalah Suatu proses yang terorganisasi dalam mencari kebenaran akan
masalah atau hipotesa tadi.
Definisi 1 :
Operational Research adalah penerapan metode-metode ilmiah terhadap
masalah-masalah rumit yang muncul dalam pengarahan dan pengelolaan
dari suatu sistem besar manusia, mesin, bahan, dan uang dalam industri,
bisnis, pemerintahan dan pertahanan. Pendekatan khusus ini bertujuan
membentuk suatu model ilmiah dari sistem, menggabungkan ukuran-
ukuran faktor-faktor seperti kesempatan dan resiko, untuk meramalkan
dan membandingkan hasil-hasil dari beberapa, keputusan, strategi atau
pengawasan. Tujuannya adalah membantu mengambil keputusan
menentukan kebijaksanaan dan tindakannya secara ilmiah. (Operation
Research Society of Great Britain).
Definisi 2 :
Operations Research berkaitan dengan memutuskan secara ilmiah
bagaimana merancangdan menjalankan sistem manusia-mesin dengan
terbaik, biasanya membutuhkan alokasi sumber daya yang langka.
(Operation Research Society of America)
Definisi 3 :
OR adalah seni memberikan jawaban buruk terhadap masalah-masalah,
yang jika tidak, memiliki jawaban yang lebih buruk. (T.L. Saaty)
Definisi 4 :
OR adalah pendekatan dalam pengambilan keputusan yang ditandai
dengan penggunaan pengetahuan ilmiah melalui usaha kelompok antar
disiplin yang bertujuan menentukan penggunaan terbaik dari sumber
daya yang terbatas. (Hamdi A. Taha)
Definisi 5 :
OR dalam arti luas, dapat diartikan sebagai penerapan metode-metode,
teknik-teknik, dan alat-alat terhadap masalah-masalah yang menyangkut
operasi-operasi dari sistem, sedemikian rupa sehingga memberikan
penyelesaian optimal.
Teknik-Teknik OR:
1. Masalah alokasi
2. Masalah persaingan
3. Masalah Antrian
4. Masalah Jalur
5. Masalah Persediaan
SEJARAH SINGKAT PERKEMBANGAN OR
Pada massa Perang Dunia II, angkatan perang Inggris membentuk

suatu team yang terdiri atas para ilmuwan untuk memperlajari persoalan-
persoalan strategi dan teknik sehubungan dengan serangan-serangan yang
dilancarkan musuh terhadap negaranya. Tujuan mereka adalah untuk
menentukan penggunaan sumber-sumber kemiliteran yang terbatas, seperti
radar dan bomber, dengan cara yang paling efektif. Karena team tersebut
melakukan research (penelitian) terhadap operasi-operasi militer, maka
muncullah nama “Military Operations Research” (Penelitian Operasional
untuk masalah kemiliteran), yang semenjak kelahirannya telah ditandai

dengan digunakannya pengetahuan ilmiah dalam usaha menentukan
penggunaan sumber-sumber yang terbatas.
Sebagai suatu teknik pemecahan masalah, penelitian operasional harus
dipandang sebagi suatu ilmu dan seni. Aspek ilmu terletak pada penggunaan
teknik-teknik dan algoritma-algoritma matematis untuk memecahkan
persoalan yang dihadapi, sedangkan sebagai seni karena keberhasilan dari
solusi model matematis ini sangat tergantung pada kreatifitas dan
kemampuan seseorang sebagai penganalisis dalam pengambilan keputusan.
Model-model dalam Penelitian Operasional

Model adalah gambaran ideal dari suatu situasi (dunia) nyata sehingga
sifatnya yang kompleks dapat disederhanakan.
1. Model Ikonis/Fisik
Yaitu penggambaran fisik dari suatu sistem, contoh : foto, blueprint, peta
dan globe.
2. Model-model Analog/Diagramatis
Model ini dapat menggambarkan situasi-situasi yang dinamis, contoh
Kurva distribusi frekuensi pada statistik, kurva supply demand dan flow
chart.
3. Model-model Simbolis/Matematis
Yaitu penggambaran dunia nyata melalui simbol-simbol matematis,
contoh persamaan dan pertidaksamaan.
4. Model-model Simulasi
Yaitu model-model yang meniru tingkat laku sistem dengan mempelajari
interaksi komponen-komponennya, contoh simulasi statistik dan simulasi
energi listrik.
5. Model-model Heuristik
Yaitu suatu metode pencariannya yang didasarkan atas intuisi atau
aturan-aturan empiris untuk memperoleh solusi yang lebih baik daripada
solusi yang telah diambil sebelumnya.
Metodologi Penelitian Operasional

1. Memformulasikan Persoalan
2. Mengobservasikan Sistem
3. Memformulasikan model matematis dari persoalan yang dihadapi
4. Mengevaluasi model dan menggunakannya untuk prediksi
5. Mengimplementasikan Hasil Studi
PROGRAMA LINIER
SEJARAH
Ide Linear Programming pertama kali dicetuskan oleh seorang ahli
matematika asal Rusia bernama L.V. Kantorivich dalam bukunya yang
berjudul ”MATHEMATICAL METHODS IN THE ORGANIZATION
AND PLANNING OF PRODUCTION”. Dengan buku ini, ia telah
merumuskan pertama kalinya persoalan “Linear Programming”. Namun,
cara-cara pemecahan persoalan in di Rusia tidak berkembang dengan baik
dan ternyata para ahli di negara Barat dan AS yang menggunakan cara ini
dimanfaatkan dengan baik.
Pada tahun 1947, seorang ahli matematika dari AS yang bernama
George B. Dantzig menemukan suatu cara untuk memecahkan persoalan-
persoalan linear programming. Cara pemecahan ini dinamakan ” Simplex
Method”, yang diuraikan dalam bukunya ”LINEAR PROGRAMMING
AND EXTENTION”. Selanjutnya teori ini berkembang pesat sekali
terutama dibidang kemiliteran yang menyangkut optimisasi dalam strategi
perang dan di bidang-bidang lainnya.
Pengertian Umum :
Programa Linier adalah suatu cara untuk menyelesaikan persoalan
pengalokasian sumber-sumber yang terbatas di antara beberapa aktivitas
yang bersaing, dengan cara yang terbaik yang mungkin dilakukan.
Sifat “Linier” memberi arti bahwa seluruh fungsi matematis dalam model
ini merupakan fungsi yang linier, sedangkan kata “Programa” merupakan
sinonim untuk perencanaan. Dengan demikian, Programa Linier (LP) adalah
perencanaan aktivitas-aktivitas untuk memperoleh suatu hasil yang

optimum, yaitu suatu hasil yang mencapai tujuan terbaik di antara seluruh
alternatif yang fisibel.
Linear programming adalah teknik matematika yang dirancang untuk
membantu manager dalam merencanakan dan membuat keputusan dalam
mengalokasikan sumber daya yang terbatas untuk mencapai tujuan
perusahaan.
Linear Programming memiliki empat ciri khusus, yaitu :
1. Penyelesaian masalah mengarah pada pencapaian tujuan maksimisasi
atau minimisasi.
2. Kendala yang ada membatasi tingkat pencapaian tujuan
3. Ada beberapa alternatif penyelesaian
4. Hubungan matematis bersifat linier
Untuk membentuk suatu model linear programming perlu diterapkan
asumsi-asumsi dasar, yaitu :
1. Linearity
Fungsi obyektif dan kendala haruslah merupakan fungsi linier dan
variabel keputusan. Hal ini akan mengakibatkan fungsi bersifat
proporsional dan additif, misalnya untuk memproduksi 1 kursi
dibutuhkan waktu 5 jam, maka untuk memproduksi 2 kursi dibutuhkan
waktu 10 jam.
2. Divisibility
Nilai variabel keputusan dapat berupa bilangan pecahan. Apabila
diinginkan solusi berupa bilangan bulat (integer), aka harus digunakan
metoda untuk integer programming.
3. Non negativity variable
Nilai variabel keputusan haruslah tidak negatif (  0)
4. Certainty
Semua konstanta (parameter) diasumsikan mempunyai nilai yang pasti.
Bila nilai-nilai parameternya probabilistik, maka harus digunakan
formulasi pemrograman masalah stokastik.
Pada umumnya persoalan-persoalan yang dipecahkan dalam linear
programming, yaitu :
a. Allocation Problem
Ini merupakan pemecahan dalam alokasi bahan-bahan / barang dalam
produksi
b. Blending Problem
Ini merupakan cara pemecahan persoalan dari berbagai bahan campuran
yang masing-masing unit dipecahkan dan digabung (blending) untuk
menghasilkan output.
c. Persoalan Transportasi
Ini merupakan pemecahan persoalan yang menyangkut adanya
unit/barang/pasokan dan lain-lain pada beberapa tempat yang akan
dipindahkan ke beberapa tempat lainnya.
d. Persoalan Personil
Ini merupakan penempatan personil sesuai dengan jabatan/tempatnya
(assigment problem).
Asumsi dalam Model Programa Linier
1. Asumsi Kesebandingan (Proportionality)

Kontribusi setiap variabel keputusan terhadap fungsi tujuan adalah
sebanding dengan nilai variabel keputusannya.
2. Asumsi Penambahan (additivity)
Kontribusi setiap variabel keputusan terhadap fungsi tujuan bersifat tidak

tergantung pada nilai dari variabel keputusan yang lain.
3. Asumsi Pembagian (divisibility)
Dalam persoalan programa linier, variabel keputusan boleh diasumsikan
berupa bilangan pecahan.
4. Asumsi Kepastian (Certainty)
Setiap parameter yaitu koefisien fungsi tujuan, ruas kanan, dan koefisien
teknologis, diasumsikan dapat diketahui secara pasti.
Formulasi
a. Variable Keputusan
Variable Keputusan adalah Variable yang menguraikan secara lengkap
keputusan-keputusan yang akan dibuat.
b. Fungsi Tujuan
Fungsi Tujuan merupakan fungsi dari variabel keputusan yang akan
dimaksimumkan (untuk pendapatan atau keuntungan) atau
diminimumkan (untuk ongkos).
c. Pembatas
Pembatas merupakan kendala yang dihadapi sehingga kita tidak bisa
menentukan harga-harga variabel keputusan secara sembarangan.
d. Pembatas tanda
Pembatas tanda adalah pembatas yang menjelaskan apakah variabel
keputusannya diasumsikan hanya berharga positif atau negatif.
Contoh :
PT. Sayang anak memproduksi dua jenis mainan yang terbuat dari kayu,
yang berupa boneka dan kereta api. Boneka dijual dengan harga Rp.
27.000/lusin yang setiap lusinnya memerlukan biaya material sebesar Rp.
10.000 serta biaya tenaga kerja sebesar Rp. 14.000. Kereta api yang dijual
seharga Rp. 21.000/lusin memerlukan biaya material sebesar Rp. 9.000 dan
biaya tenaga kerja Rp. 10.000. Untuk membuat boneka dan kereta api ini
diperlukan dua kelompok tenaga kerja, yaitu tukang kayu dan tukang poles.
Setiap lusin boneka memerlukan 2 jam pemolesan dan 1 jam pekerjaan
kayu, sedangkan setiap lusin kareta api memerlukan 1 jam pemolesan dan 1
jam pekerjaan kayu. Meskipun pada setiap minggunya perusahaan ini dapat
memenuhi seluruh material yang diperlukan, jam kerja yang tersedia hanya
100 jam untuk mengolesan dan 80 jam untuk pekerjaan kayu. Dari
pengamatan pasar selama ini dapat dikatakan bahwa kebutuhan akan kereta
api tidak terbatas, tetapi untuk boneka tidak lebih dari 40 lusin yang terjual
setiap minggunya. Bagaimanakah formulasi dari persoalan di atas untuk
mengetahui berapa lusin jenis mainan masing-masing yang harus dibuat
setiap minggu agar diperoleh keuntungan yang maksimal ?
Jawab :
a. Variabel Keputusan
X1 = Banyaknya boneka yang dibuat setiap minggu
X2 = Banyaknya kereta api yang dibuat setiap minggu
b. Fungsi Tujuan :
Pada persoalan ini akan dimaksimumkan (pendapatan/minggu) – (ongkos
material/minggu) – (ongkos tenaga kerja/minggu).
Pendapatan/minggu = pendapatan/minggu dari boneka +
pendapatan/minggu dari kereta api.
= 27 X1 + 21 X2
Ongkos material/minggu = 10 X1 + 9 X2
Ongkos tenaga kerja/minggu= 14 X1 + 10 X2
Sehingga yang dimaksimumkan adalah :
(27 X1 + 21 X2) – (10 X1 + 9 X2) – (14 X1 + 10 X2) = 3 X1 + 2 X2
c. Pembatas
Pembatas 1 : Setiap minggu tidak lebih dari 100 jam waktu pemolesan
yang dapat digunakan.
Pembatas 2 : Setiap minggu tidak lebih dari 80 jam waktu pengerjaan
kayu yang dapat digunakan.
Pembatas 3 : Karena permintaan yang terbatas, maka tidak lebih dari 40
lusin boneka yang dapat dibuat setiap minggu.
Pembatas 1 : 2 X1 + X2  100
Pembatas 2 : X1 + X2  80
Pembatas 3 : X1  40
d. Pembatas Tanda :
X1  0
X2  0
METODE GRAFIK
Metode grafik hanya bisa digunakan untuk menyelesaikan

permasalahan dimana hanya terdapat dua variabel keputusan. Untuk
menyelesaikan permasalahan tersebut, langkah pertama yang harus
dilakukan adalah memformulasikan permasalahan yang ada ke dalam
bentuk Linear Programming (LP).
Pada cara grafis ini membuat grafik berdimensi dua dengan X 1 dan X2
sebagai sumbu-sumbunya.
Menentukan Daerah Fisibel :

a. Identifikasi harga-harga X1 dan X2 yang memenuhi masing-masing
pembatas.
b. Gambarkan garis-garis pembatas dan tentukan arah berlakunya harga (X1,
X2) pada masing-masing pembatas, termasuk X1  0, X2  0
c. Tentukan bidang yang dibatasi oleh garis-garis pembatas yang memenuhi
syarat, yang disebut sebagai Daerah Fisibel.
Menentukan Solusi Optimal :
a. Gambarkan garis fungsi tujuan Z = C1X1 + C2X2
b. Buatlah garis lain yang sejajar dengan garis Z sedemikian sehingga garis
tersebut dapat melalui titik sudut terjauh (maksimasi) dari daerah fisibel,
yang disebut sebagai titik optimum.
c. Tentukan harga (X1, X2) pada titik optimum dengan menentukan titik
potong dari garis-garis yang membentuk titik optimum itu.
Contoh :
Max : Z = 3 X1 + 2 X2
Dengan Pembatas :
2 X1 + X2  100
X1 + X2  80
X1  40
X1  0, X2  0
X2
100
80
E D
40
C
20
A B
0 40 50 80 X1
Solusi Optimum :
2 X1 + X2 = 100
X1 + X2 = 80
X1 = 20
X2 = 60
Z = 3 (20) + 2 (60) = 180
Solusi Grafis Persoalan Minimasi
Contoh :
PT. Auto Indah memproduksi dua jenis mobil, yaitu mobil sedan dan mobil
truk, untuk dapat meraih konsumen berpenghasilan tinggi, perusahaan ini
memutuskan untuk melakukan promosi dalam 2 macam acara TV, yaitu
pada acara hiburan dan acara olah raga. Promosi pada acara hiburan akan
disaksikan oleh 7 juta pemirsa wanita dan 2 juta pemirsa pria, promosi pada
acara olah raga akan disaksikan oleh 2 juta pemirsa wanita dan 12 juta
pemirsa pria. Biaya promosi pada acara hiburan adalah $ 50.000/menit
sedangkan pada acara olah raga $ 100.000/menit. Jika perusahaan
menginginkan promosinya disaksikan sedikitnya oleh 28 juta pemirsa wanita
dan sedikitnya oleh 24 juta pemirsa pria, bagaimanakah strateginya ?
Jawab :
Variabel Keputusan :
X1 = Lamanya promosi di acara hiburan
X2 = Lamanya promosi di acara olah raga
Formulasi Persoalan :
Min Z = 50 X1 + 100 X2
S/t X1 + 2 X2  28
X1 + 12 X2  24
X1, X2  0
X2
14
Titik Optimum E :
12
Solusi Optimum : X1 = 3,6 X2 = 1,4
10
8 Z = $ 320.000
4
E
2
0 2 4 6 8 10 12 X1
Contoh :
Perusahaan Krisna Furniture yang akan membuat meja dan kursi.
Keuntungan yang diperoleh dari satu unit meja adalah $7,- sedang
keuntungan yang diperoleh dari satu unit kursi adalah $5,-.
Namun untuk meraih keuntungan tersebut Krisna Furniture
menghadapi kendala keterbatasan jam kerja. Untuk pembuatan 1 unit meja
dia memerlukan 4 jam kerja. Untuk pembuatan 1 unit kursi dia
membutuhkan 3 jam kerja. Untuk pengecatan 1 unit meja dibutuhkan 2 jam
kerja, dan untuk pengecatan 1 unit kursi dibutuhkan 1 jam kerja. Jumlah jam
kerja yang tersedia untuk pembuatan meja dan kursi adalah 240 jam per
minggu sedang jumlah jam kerja untuk pengecatan adalah 100 jam per
minggu. Berapa jumlah meja dan kursi yang sebaiknya diproduksi agar
keuntungan perusahaan maksimum?
Dari kasus di atas dapat diketahui bahwa tujuan perusahaan adalah
memaksimumkan profit. Sedangkan kendala perusahaan tersebut adalah
terbatasnya waktu yang tersedia untuk pembuatan dan pengecatan. Apabila
permasalahan tersebut diringkas dalam satu tabel akan tampak sebagai
berikut:
Jam kerja untuk membuat 1 unit Total waktu
produk tersedia per
Meja Kursi
minggu
Pembuatan 4 2 240
Pengecatan 2 1 100
Profit per Unit 7 5
Mengingat produk yang akan dihasilkan adalah meja dan kursi, maka
dalam rangka memaksimumkan profit, perusahaan harus memutuskan
berapa jumlah meja dan kursi yang sebaiknya diproduksi. Dengan demikian
dalam kasus ini, yang merupakan variabel keputusan adalah meja (X1) dan
kursi (X2).
1. Fungsi Tujuan
Profit = ($ 7 x jml meja yang diproduksi) + ($ 5 x jml kursi yang
diproduksi)
Secara matematis dapat ditulis :
Maksimisasi : Z = 7 X1 + 5 X2
2. Fungsi Kendala
 Kendala : Waktu pembuatan
1 unit meja memerlukan 4 jam untuk pembuatan -> 4 X1
1 unit kursi memerlukan 3 jam untuk pembuatan -> 3 X2
Total waktu yang tersedia per minggu untuk pembuatan -> 240
Jam
Dirumuskan dalam pertidaksamaan matematis ->
4 X1 + 3 X2  240
 Kendala : Waktu pengecatan
1 unit meja memerlukan 2 jam untuk pengecatan -> 2 X1
1 unit kursi memerlukan 1 jam untuk pengecatan -> 1 X2
Total waktu yang tersedia per minggu untuk pengecatan -> 100
Jam
Dirumuskan dalam pertidaksamaan matematis ->
2 X1 + X2  100
Formulasi masalah secara lengkap :

Fungsi Tujuan : Maks. Z = 7 X1 + 5 X2
Fungsi Kendala : 4 X1 + 3 X2  240
2 X1 + X2  100
X1 , X2  0 (kendala non-negatif)
Setelah formulasi lengkapnya dibuat, maka Kasus Krisna Furniture
tersebut akan diselesaikan dengan metode grafik. Keterbatasan metode
grafik adalah bahwa hanya tersedia dua sumbu koordinat, sehingga tidak
bisa digunakan untuk menyelesaikan kasus yang lebih dari dua variabel
keputusan.
Langkah pertama dalam penyelesaian dengan metode grafik adalah
menggambarkan fungsi kendalanya. Untuk menggambarkan kendala
pertama secara grafik, kita harus merubah tanda pertidaksamaan menjadi
tanda persamaan seperti berikut.
4 X1 + 3 X2 = 240
Untuk menggambarkan fungsi linear, maka cari titik potong garis
tersebut dengan kedua sumbu. Suatu garis akan memotong salah satu sumbu
apabila nilai variabel yang lain sama dengan nol. Dengan demikian kendala
pertama akan memotong X1, pada saat X2 = 0, demikian juga kendala ini
akan memotong X2, pada saat X1 = 0.
Kendala I :
4 X1 + 3 X2 = 240
memotong sumbu X1 pada saat X2 = 0
4 X1 + 0 = 240
X1 = 240 / 4
X1 = 60.
0 + 3 X2 = 240
X2 = 240/3
X2 = 80
Kendala I memotong sumbu X1 pada titik (60, 0) dan memotong
sumbu X2 pada titik (0, 80).
Kendala II :
2 X1 + 1 X2 = 100
2 X1 + 0 = 100
X1 = 100/2
X1 = 50
memotong sumbu X2 pada saat X1 =0
0 + X2 = 100
X2 = 100
Kendala I memotong sumbu X1 pada titik (50, 0) dan memotong
sumbu X2 pada titik (0, 100).
Titik potong kedua kendala bisa dicari dengan cara substitusi atau eliminasi:
2 X1 + 1 X2 = 100 -> X2 = 100 - 2 X1

4 X1 + 3 X2 = 240 X2 = 100 - 2 X1
4 X1 + 3 (100 - 2 X1) = 240 X2 = 100 - 2 * 30
4 X1 + 300 - 6 X1 = 240 X2 = 100 - 60
- 2 X1 = 240 - 300 X2 = 40
- 2 X1 = - 60
X1 = -60/-2 = 30.
Sehingga kedua kendala akan saling berpotongan pada titik (30, 40).
Tanda ≤ pada kedua kendala ditunjukkan pada area sebelah kiri dari
garis kendala. Feasible region (area layak) meliputi daerah sebelah kiri dari
titik A (0; 80), B (30; 40), dan C (60; 0).
Untuk menentukan solusi yang optimal, ada dua cara yang bisa
digunakan yaitu :
11. dengan menggunakan garis profit (iso profit line)
22. dengan titik sudut (corner point)
Penyelesaian dengan menggunakan garis profit adalah penyelesaian
dengan menggambarkan fungsi tujuan. Kemudian fungsi tujuan tersebut
digeser ke kanan sampai menyinggung titik terjauh dari dari titik nol, tetapi
masih berada pada area layak (feasible region). Untuk menggambarkan garis
profit, kita mengganti nilai Z dengan sembarang nilai yang mudah dibagi
oleh koefisien pada fungsi profit. Pada kasus ini angka yang mudah dibagi
angka 7 (koefisien X1) dan 5 (koefisien X2) adalah 35. Sehingga fungsi
tujuan menjadi 35 = 7 X1 + 5 X2. Garis ini akan memotong sumbu X1 pada
titik (5, 0) dan memotong sumbu X2 pada titik (0, 7).
Iso profit line menyinggung titik B yang merupakan titik terjauh dari
titik nol. Titik B ini merupakan titik optimal. Untuk mengetahui berapa nilai
X1 dan X2, serta nilai Z pada titik B tersebut, kita mencari titik potong antara
kendala I dan kendala II (karena titik B merupakan perpotongan antara
kendala I dan kendala II). Dengan menggunakan eliminiasi atau subustitusi
diperoleh nilai X1 = 30, X2 = 40. dan Z = 410. Dari hasil perhitungan
tersebut maka dapat disimpulkan bahwa keputusan perusahaan yang akan
memberikan profit maksimal adalah memproduksi X1 sebanyak 30 unit, X2
sebanyak 40 unit dan perusahaan akan memperoleh profit sebesar 410.
Penyelesaian dengan menggunakan titik sudut (corner point) artinya
kita harus mencari nilai tertinggi dari titik-titik yang berada pada area layak
(feasible region). Dari peraga 1, dapat dilihat bahwa ada 4 titik yang
membatasi area layak, yaitu titik 0 (0, 0), A (0, 80), B (30, 40), dan C (50,
0).
Keuntungan pada titik O (0, 0) adalah (7 x 0) + (5 x 0) = 0.
Keuntungan pada titik A (0; 80) adalah (7 x 0) + (5 x 80) = 400.

Keuntungan pada titik B (30; 40) adalah (7 x 30) + (5 x 40) = 410.
Keuntungan pada titik C (50; 0) adalah (7 x 50) + (5 x 0) = 350.
Karena keuntungan tertinggi jatuh pada titik B, maka sebaiknya

perusahaan memproduksi meja sebanyak 30 unit dan kursi sebanyak 40 unit,
dan perusahaan memperoleh keuntungan optimal sebesar 410.
ALGORITMA SIMPLEX
Algoritma Simpleks merupakan prosedur aljabar yang bersifat iteratif,

yang bergerak selangkah demi selangkah, dimulai dari suatu titik ekstrem
pada daerah fisibel (ruang solusi) menuju ke titik ekstrem yang optimum.
Algoritma Simpleks untuk persoalan Maksimasi :

1. Konversikan Formulasi persoalan ke dalam bentuk standar
2. Cari Solusi Basis Fisibel (BFS)
3. Jika seluruh NBV mempunyai koefisien non negatif (artinya berharga
positif atau nol) pada baris fungsi tujuan (baris persamaan z yang biasa
disebut baris 0), maka BFS sudah optimal. Jika pada baris 0 masih ada
variabel dengan koefisien negatif, pilihlah salah satu variabel yang
mempunyai koefisien paling negatif pada baris 0 itu. Variabel ini akan
memasuki status variabel basis, karena itu variabel ini disebut sebagai
variabel yang masuk basis (entering variabel disingkat EV).
4. Hitung rasio dari (Ruas Kanan)/(Koefisien EV) pada setiap baris
pembatas dimana EV-nya mempunyai koefisien positif. Variabel basis
pada baris pembatas dengan rasio positif terkecil akan berubah status
menjadi variabel non basis. Variabel ini disebut variabel yang
meninggalkan basis atau leaving variable disingkat LV.
Lakukan operasi baris elementer (ERO) untuk membuat koefisien EV pada
baris dengan rasio positif terkecil ini menjadi berharga 1 dan berharga 0
pada baris-baris lainnya.
Kembali ke langkah 3.
Contoh :
Maksimumkan ; Z = 60 X1 + 30 X2 + 20 X3
Berdasarkan :
8 X1 + 6X2 + X3  100
4 X1 + 2X2  80
2 X1 + 1,5 X2 + 1,5 X3  40
X2  80
X1 , X2 , X3  0
THE BIG-M METHOD
LANGKAH-LANGKAH METODA M
LANGKAH 1 :
Modifikasi pembatas sehingga RHS-nya (Ruas Kanan) berharga non negatif
perhatikan adalah pembatas bertanda (=) atau ().
LANGKAH 2 :
Konversikan setiap pembatas bertanda ketidaksamaan ke dalam bentuk
standar (tambahkan Si jika bertanda , atau kurangkan Si jika bertanda )
LANGKAH 3 :
Tambahkan variabel palsu Ri pada pembatas I yang bertanda  atau =,
kemudian tambahkan pembatas tanda Ri  0.
LANGKAH 4 :
Jika persoalannya minimasi, tambahkan MRi pada fungsi tujuan (untuk
setiap Ri) sedangkan jika persoalannya maksimasi kurangkan MR i (untuk
setiap Ri) pada fungsi tujuan.
LANGKAH 5 :
(a) Karena setiap Ri akan berada pada basis awal, maka seluruh variabel
palsu ini harus dihilangkan dari baris 0 sebelum dilakukan simplex.
(b) Selesaikan persoalan yang telah ditransformasikan ini dengan metoda
simplex.
(c) Jika seluruh variabel palsu berharga 0 pada solusi optimal, maka solusi
bagi persoalan asal juga optimal. Jika ada variabel palsu yang berharga
positif pada solusi optimal, maka persoalan asal tidak fisibel.
Contoh 1 :
Min Z = 2X1 + 3X2
s/t 1/2X1 + 1/4 X2  4
X1 + 3X2  20
X1 + X2 = 10
X1, X2  0
Bentuk kanonik :
Baris 0 Z 2X1 3X2 = 0
Baris 1 1/2X1 + 1/4 X2 + S1 = 4
Baris 2 X1 + 3X2  S2 + R 2 = 20
Baris 3 X1 + X2 + R3 = 10
Kita lihat S1= 4 bisa digunakan sebagai BFS, tetapi S2 = 20 melanggar
pembatas tanda. Baris 3 bahkan tidak mempunyai variable basis untuk
mengatasi hal ini, tambahkan variabel palsu (artificial variable) Ri pada
setiap pembatas i yang bertanda () atau (=).
Karena Ri hanya variable palsu, maka pada solusi optimal harus
diusahakan agar Ri berharga 0 untuk itu, jika persoalan minimasi,
tambahkan MRi pada fungsi tujuan, jika maksimasi kurangkan MRi pada
fungsi tujuan (M adalah bilangan positif positif yang sangat besar).
Baris 0 Z 2X1 3X2  MR2  MR3 = 0
Baris 1 1/2X1 + 1/4 X2 + S1 = 4
Baris 2 X1 + 3X2  S2 + R 2 = 20
Baris 3 X1 + X2 + R3 = 10
Dari contoh di atas, kita telah selesai hingga langkah 4, selanjutnya
kita harus menghilangkan R2 dan R3 dari baris 0. Caranya adalah gantilah
baris 0 dengan :
Baris 0 + M (baris 2) + M (baris 3)

Sehingga didapat :
Baris 0 Z  2X1 3X2  MR2  MR3 = 0
M(Baris 2) MX1 + 3MX2  MS2 + MR2 = 20M
M(Baris 3) MX1 + MX2 + MR3 = 10M
Baris 0 Baru : Z + (2M2)X1 + (4M3)X2  MS2 = 30M
Maka tablonya adalah :
BV Z X1 X2 S1 S2 R2 R3 RHS (Rasio)
Z 1 2M2 4M3 0 M 0 0 30M 
S1 0 ½ ¼ 1 0 0 0 4 16
R2 0 1 1 0 1 1 0 20 20/3
R3 0 1 1 0 0 0 1 10 10
Iterasi 1 :
Z 1 (2M3)/3 0 0 (M-3)/3 (3-4M)/3 0 (60+10M)/3 
S1 0 5/12 0 1 1/12 1/12 0 7/3 
X2 0 1/3 1 0 1/3 1/3 0 20/3 20
R3 0 2/3 0 0 1/3 1/3 1 10/3 5
Iterasi 2 :
Z 1 0 0 0 1/2 (12M)/2 (32M)3 25 
S1 0 0 0 1 1/8 1/8 5/8 1/4
X2 0 0 1 0 1/2 1/2 1/2 5
X1 0 1 0 0 1/2 1/2 3/2 5
Solusi Optimalnya X1=X2=5, Z = 25
METODE SIMPLEX DUA FASA

Merupakan anternatif dari Metode M, jika terjadi Roundoff Error pada

program komputer.
LANGKAH-LANGKAH :
Langkah 1 s/d 3 adalah sama seperti pada metode M.
LANGKAH 4 :
Fasa 1 : Gantilah fungsi tujuan persoalan Programa Linier semula, dengan
Minimasi (Min W' = jumlah seluruh variabel palsu Programa
Linier). Karena Ri  0, maka hasil dari fasa 1 ini akan berada pada
salah satu dari 3 kasus berikut :
Kasus 1 : Nilai optimal dari W' adalah positif (>), maka persoalan
PL Semula tidak mempunyai solusi fisibel.
Kasus 2 : Nilai optimal dari W' sama dengan nol dan ada variable
palsu pada basis fasa 1 hal ini menunjukkan bahwa PL semula
mempunyai sedikitnya satu pembatas yang mubazir.
Kasus 3 : Nilai optimal dari W' sama dengan nol dan tidak ada
variable palsu pada basis, jika ini terjadi hilangkan semua kolom
yang korespondensi dengan variabel palsu pada tabel fasa 1,
gabung fungsi tujuan PL semula dengan pembatas-pembatas pada
tabel optimal fasa 1 menjadi PL fasa 2 .
Fasa 2 : adalah Solusi optimal untuk PL semula.
Contoh : Min Z = 2X1 + 3X2
s/t 1/2X1 + 1/4 X2  4
X1 + 3X2  20
X1 + X2 = 10
X1, X2  0
Langkah 1 s/d 3 :
Baris 1 1/2X1 + 1/4 X2 + S1 = 4

Baris 2 X1 + 3X2  S2 + R 2 = 20
Baris 3 X1 + X2 + R3 = 10
LANGKAH 4 :
Min W' = R2 + R3
s/t 1/2X1 + 1/4 X2 + S1 = 4
X1 + 3X2  S2 + R 2 = 20
X1 + X2 + R3 = 10
BFS Awal : (S1 = 4, R2 = 20, R3 = 10)
Untuk menyelesaikan PL fasa 1, hilangkan R2 dan R3 dari baris 0.
Baris 0 W'  R2  R3 = 0
Baris 2 X1 + 3X2  S2 + R 2 = 20
Baris 3 X1 + X2 + R3 = 10
= Baris 0 baru : W' + 2X1 + 4X2  S2 = 30
Gabungkan baris 0 baru ini dengan pembatas untuk mendapatkan table awal
dari PL fasa 1, ingat bahwa fasa 1 selalu minimasi.
Maka tablenya adalah :
Z 1 2 4 0 1 0 0 30 
S1 0 1/2 ¼ 1 0 0 0 4 16
R2 0 1 1 0 1 1 0 20 20/3
R3 0 1 1 0 0 0 1 10 10
TEORI DUALITAS
DAN ANALISIS KEPEKAAN
TEORI DUALITAS
Ide dasar yang melatarbelakangi teori ini adalah bahwa setiap
persoalan programa linier mempunyai suatu programa linier lain yang saling
berkaitan yang disebut dengan "Dual". Sehingga solusi pada persoalan
semula disebut "Primal".
Bentuk umum masalah primal-dual adalah sebagai berikut :
Primal :
Maksimumkan : z = c1x1 + c2x2 + ... + cnxn
berdasarkan pembatas :
a11x1 + a12x2 + ... + a1nxn  b1
a21x1 + a22x2 + ... + a2nxn  b2
.
.
.
am1x1 + am2x2 + ... + amnxn  bm
x1,x2,...,xn  0
Dual :
Minimumkan: w = b1y1 + b2y2 + ... + bmym
berdasarkan pembatas :
a11y1 + a12y2 + ... + am1ym  c1
a12y1 + a22y2 + ... + am2ym  c2
.
.
.
a1ny1 + a2ny2 + ... + amnym  cn
y1,y,...,ym  0
Kalau dibandingkan kedua persoalan ini diatas, ternyata terdapat

korespondensi antara primal dengan dual sebagai berikut :
1. Koefisien fungsi tujuan primal menjadi konstanta ruas kanan bagi dual,
sedangkan konstanta ruas kanan primal menjadi koefisien fungsi tujuan
bagi dual.
2. Untuk setiap pembatas primal ada satu variabel dual, dan untuk setiap
variabel primal ada satu pembatas dual.
3. Tanda ketidaksamaan pada pembatas akan bergantung pada fungsi
tujuannya.
4. Fungsi tujuan berubah bentuk (maksimasi menjadi minimasi dan
sebaliknya).
5. Setiap kolom pada primal berkorespondensi dengan baris (pembatas)
pada dual.
6. Setiap baris (pembatas) pada primal berkorespondensi dengan kolom
pada dual.
7. Dual dari dual adalah primal.
BEBERAPA PERUMUSAN PENTING :

Maks/Min : Z = CBV.XBV + CNBV.XNBV
s/t B.XBV + N.XNBV = b
XBV ; XNBV  0
Contoh :
Maks : Z = 5 X1 + 12X2 + 4X3
s/t X1 + 2X2 + X3  10
2X1  X2 + 3X3 = 8
X1,2X2,X3  0
Ringkasan Tabel Optimal (Iterasi Terakhir)

Z XB Si RHS
Z 1 C^J = CBV.B-1.aJ  CJ CB.B-1 CBV.B-I.b
Basis 0 B-1.aj B-1 B-1.b
Ad.1. Xj = B-1.aj
X1 = B-1.a1
2 / 5  1 / 5 1  0
X1   2  1
1 / 5 2 / 5     
X2= B-1.a2
2 / 5  1 / 5  2  1
X2   
1 / 5 2 / 5   1 0
X3= B-1.a3
2 / 5  1 / 5 1  1 / 5
X3   3   7 / 5 
1 / 5 2 / 5     
Ad.2. b" = B-1.b

2 / 5  1 / 5 10  12 / 5 
b'   
1 / 5 2 / 5   8  26 / 5
Ad.3. C^3 = CBV. B-1.a3  C3

2 / 5  1 / 5 1
b '  12 5  3  4  3 / 5
1 / 5 2/5    
Ad.4. CBV . B-1.b

2 / 5  1 / 5 10
RHS '  12 5   54 4 / 5
1 / 5 2 / 5   8 
Ringkasan Tabel Optimal (Iterasi Terakhir)
BV Z X1 X2 X3 S1 R2 RHS
Z 1 0 0 3/5 29/5 2/5+M 54 4/5

X2 0 0 1 1/5 2/5 1/5 12/5
X1 0 1 0 7/5 1/5 2/5 26/5
ANALISA SENSITIVITAS
1. Perubahan koefisien fungsi tujuan untuk variabel non basis
2. Perubahan koefisien fungsi tujuan untuk variabel basis
3. Perubahan pada ruas kanan suatu pembatas
4. Perubahan kolom untuk suatu variabel non basis
5. Penambahan suatu variabel atau aktivitas
6. Penambahan suatu pembatas baru
ANALISA SENSITIVITAS
Analisis yang dilakukan untuk mengetahui akibat/pengaruh dari
perubahan yang terjadi pada parameter-parameter LP terhadap solusi
optimal yang telah dicapai.
Contoh : Max Z = 60X1 + 30X2 + 20X3
s/t 8X1 + 6 X2 + X3  48
4X1 + 2 X2 + 1,5X3  20
2X1 +1,5X2 + 0,5X3  8
X1, X2,X3  0
Iterasi Optimal (untuk formulasi LP di atas) :
BV Z X1 X2 X3 S1 S2 S3 Solusi
Z 1 0 5 0 0 10 10 280
S1 0 0 2 0 1 2 8 24
X3 0 0 2 1 0 2 4 8
X1 0 1 1,25 0 0 0,5 1,5 2
BV = [S1, X3, X1) NBV = [X2, S2, S3]

 S1  X2
X BV   X 3  , X NBV   S 2 
 X 1   S3 
1 2  8
1
B  0 2  4
0  0,5 1,5 
1. Perubahan koefisien fungsi tujuan untuk variabel non basis

Misalnya : (C2) dari 30 menjadi (30 + )
C^j = CBV. B-1.aj  Cj
C^2 = CBV. B-1.a2  C2
1 2  8
C BC .B 1   0 20 60 
0 2  4 
  0 10 10

0  0,5 1,5 

Sehingga:
6
C ^2   0 10 10  
 2   (30   )  35  30    5  

1,5

Agar BV tetap optimal maka : C^2  0, 5    0 atau   5.

atau Infinity  C2  35.
2. Perubahan koefisien fungsi tujuan untuk variabel basis
Misalnya : (C1) dari 60 menjadi (60+)
1 2  8
C BC .B   0 20 (60   ) 
1
0 2  4  0 10  0,5 10  1,5 

0  0,5 1,5 

Mencek Koefisien baris 0 :
6
a. C ^ 2   0 10  0,5 10  1,5   
 2   (30)  5  1,25 
1,5
 
b. Koefisien S2 = Elemen kedua dari CBV.B-1 = 10  0,5

c. Koefisien S3 = Elemen ketiga dari CBV.B-1 = 10 + 1,5
Dengan demikian, BV akan tetap optimal jika :
5 + 1,25  0, atau   4
10  0,5  0, atau   20
10 + 1,5  0, atau   20/3
20/3   20/3
4   4
20   20
4    20
atau, 56  C1  80
3. Perubahan pada ruas kanan suatu pembatas

Misalnya : (b2) dari 20 menjadi (20+)
1 2  8  48   24  2 
.B 1.b  0 2  4  20      8  2 
   
0  0,5 1,5   8   2  0,5 
Solusi akan tetap optimal jika :

24 + 2  0, atau   12
8 + 2  0, atau   4
2  0,5  0, atau   4
12   12
4   4
4  4
4    4
atau, 16  b2  24
4. Perubahan kolom untuk suatu variabel non basis

Pada contoh di atas, variabel non basisnya adalah X2 yang mempunyai
kolom :
6 5 
a2   2   a ^ 2   2
 
1,5 2
Kemudian C2 = 30  C^2 = 43
Maka :
C^2 = CBV. B-1.a2  C2
5 
C ^2   0 10 10  
2  43   3

 2

Karena C^2 < 0, maka solusi basis saat ini tidak lagi optimal maka
pada kasus ini akan didapat solusi optimal yang baru.
Dalam hal ini, sebaiknya kita memecahkan kembali persoalan dari awal.
5. Penambahan suatu variabel atau aktivitas

Misalnya : Max Z = 60X1 + 30X2 + 20X3 + 15X4
s/t 8X1 + 6 X2 + X3 + X4  48
4X1 + 2 X2 + 1,5X3 + X4  20
2X1 +1,5X2 + 0,5X3 + X4  8
X1, X2,X3,X4  0
Solusi basis akan tetap optimal Jika C^4  0

Dari formulasi di atas kita peroleh :
1
C ^4  0 10 10  
1  15  5  0

1

Karena C^4  0, maka solusi basis akan tetap optimal.
6. Penambahan suatu pembatas baru

Akan mengakibatkan :
1. Solusi optimal saat ini memenuhi pembatas baru.
2. Solusi optimal saat ini tidak memenuhi pembatas baru, tetapi persoalan
tetap mempunyai solusi fisibel.
3. Pembatas baru menyebabkan persoalan tidak mempunyai solusi fisibel.
Contoh kasus 1: Max Z = 60X1 + 30X2 + 20X3

s/t 8X1 + 6 X2 + X3  48
4X1 + 2 X2 + 1,5X3  20
2X1 +1,5X2 + 0,5X3  8
X1, X2,X3  0
X1 + X2 + X3  11
Cek Solusi :
X1 = 2, X2 = 0, X3 = 8
Jadi : 2 + 0 + 8 = 10 < 11
Jadi Solusi masih tetap feasibel.

Penelitian Operasional

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Penelitian Operasional

Diunggah oleh

Hak Cipta:

Format Tersedia

DIKTAT KULIAH

JURUSAN TEKNIK INDUSTRI

Hanya Dipergunakan di Lingkungan Sendiri

Dekan Fakultas Teknik

ADE MOMON SUBAGYO, ST. MT

Ketua Program Study Teknik Industri

WINARNO, ST. MT.

Mata Kuliah Kode Kredit

Pokok Isi Mata Kuliah

6. Programa sasaran dan programa bilangan bulat, perumusan dan

Arti Operation Research

SEJARAH SINGKAT PERKEMBANGAN OR

Pada massa Perang Dunia II, angkatan perang Inggris membentuk

untuk masalah kemiliteran), yang semenjak kelahirannya telah ditandai

Model-model dalam Penelitian Operasional

Metodologi Penelitian Operasional

perencanaan aktivitas-aktivitas untuk memperoleh suatu hasil yang

Asumsi dalam Model Programa Linier

1. Asumsi Kesebandingan (Proportionality)

Kontribusi setiap variabel keputusan terhadap fungsi tujuan bersifat tidak

Metode grafik hanya bisa digunakan untuk menyelesaikan

Menentukan Daerah Fisibel :

Solusi Grafis Persoalan Minimasi

Formulasi masalah secara lengkap :

2 X1 + 1 X2 = 100 -> X2 = 100 - 2 X1

Keuntungan pada titik A (0; 80) adalah (7 x 0) + (5 x 80) = 400.

Karena keuntungan tertinggi jatuh pada titik B, maka sebaiknya

Algoritma Simpleks merupakan prosedur aljabar yang bersifat iteratif,

Algoritma Simpleks untuk persoalan Maksimasi :

THE BIG-M METHOD

Baris 0 + M (baris 2) + M (baris 3)

Solusi Optimalnya X1=X2=5, Z = 25

METODE SIMPLEX DUA FASA

Merupakan anternatif dari Metode M, jika terjadi Roundoff Error pada

Baris 1 1/2X1 + 1/4 X2 + S1 = 4

Kalau dibandingkan kedua persoalan ini diatas, ternyata terdapat

BEBERAPA PERUMUSAN PENTING :

Ringkasan Tabel Optimal (Iterasi Terakhir)

Basis 0 B-1.aj B-1 B-1.b

Ad.2. b" = B-1.b

Ad.3. C^3 = CBV. B-1.a3  C3

Ad.4. CBV . B-1.b

Ringkasan Tabel Optimal (Iterasi Terakhir)

Z 1 0 0 3/5 29/5 2/5+M 54 4/5

Iterasi Optimal (untuk formulasi LP di atas) :

BV = [S1, X3, X1) NBV = [X2, S2, S3]

1. Perubahan koefisien fungsi tujuan untuk variabel non basis

Agar BV tetap optimal maka : C^2  0, 5    0 atau   5.

b. Koefisien S2 = Elemen kedua dari CBV.B-1 = 10  0,5

3. Perubahan pada ruas kanan suatu pembatas

Solusi akan tetap optimal jika :

4. Perubahan kolom untuk suatu variabel non basis

5. Penambahan suatu variabel atau aktivitas

Solusi basis akan tetap optimal Jika C^4  0

Karena C^4  0, maka solusi basis akan tetap optimal.

6. Penambahan suatu pembatas baru

Contoh kasus 1: Max Z = 60X1 + 30X2 + 20X3

Anda mungkin juga menyukai