SKRIPSI
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
SKRIPSI
Ditulis Sebagai Syarat untuk Mencapai Gelar Sarjana Sains di Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
SKRIPSI
Saya menyatakan bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Disetujui di
Medan, April 2018
i
UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI METODE BRANCH AND BOUND DALAM
MENGOPTIMALKAN JUMLAH PRODUK GUNA
MEMAKSIMALKAN KEUNTUNGAN
(Studi Kasus: CV. Ridho Mandiri)
ABSTRAK
ii
UNIVERSITAS SUMATERA UTARA
IMPLEMENTATION OF BRANCH AND BOUND METHOD
IN OPTIMIZING AMOUNT OF PRODUCTS TO USE
MAXIMIZE THE PROFITS
(Case Study: CV Ridho Mandiri)
ABSTRACT
iii
UNIVERSITAS SUMATERA UTARA
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan
karunia-Nya penulis dapat menyelesaikan skripsi ini dengan judul
“IMPLEMENTASI METODE BRANCH AND BOUND DALAM
MENGOPTIMALKAN JUMLAH PRODUK GUNA MEMAKSIMALKAN
KEUNTUNGAN (Studi Kasus: PT. CV. Ridho Mandiri)” dengan baik dan tepat
waktu.
Penulis mengucapkan terima kasih kepada semua pihak yang telah membantu
dan membimbing penulis dalam penyusunan skripsi ini. Ucapan terima kasih penulis
sampaikan kepada:
1. Ibu Dra. Laurentina Pangaribuan, MS selaku dosen pembimbing penulis atas
segala waktu dan arahan yang diberikan selama penyusunan skripsi ini.
2. Bapak Prof. Dr. Tulus M.Si dan Bapak Drs. Gim Tarigan M.Si selaku dosen
pembanding atas segala saran dan masukan yang diberikan selama
penyelesaian skripsi ini.
3. Bapak Dr. Suyanto, M.Kom dan Drs. Rosman Siregar, M.Si selaku Ketua dan
Sekretaris Departemen Matematika FMIPA USU.
4. Bapak Dr. Kerista Sebayang, MS selaku Dekan FMIPA USU serta semua
Wakil Dekan FMIPA USU.
5. Semua Dosen Departemen Matematika FMIPA USU dan pegawai di FMIPA
USU.
6. Ibunda T. Hutapea atas segala dukungan moral maupun materil dan doa yang
telah diberikan selama ini terkhusus pada penyelesaian skripsi ini serta semua
abang dan keluarga penulis.
7. Teman-teman jurusan Matematika khususnya stambuk 2014 yang selalu
mendukung penulis, adik-adik stambuk 2015, satambuk 2016, stambuk 2017
serta Abang dan Kakak Alumni.
Penulis menyadari bahwa masih banyak kekurangan dalam penulisan skripsi ini.
Oleh karena itu, penulis menerima saran dan kritik yang positif dan membangun dari
pembaca untuk penyempurnaan skripsi ini.
iv
UNIVERSITAS SUMATERA UTARA
DAFTAR ISI
Halaman
PENGESAHAN i
ABSTRAK ii
ABSTRACK iii
PENGHARGAAN iv
DAFTAR ISI v
DAFTAR TABEL vii
DAFTAR GAMBAR viii
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Tinjauan Pustaka 5
1.7 Lokasi Penelitian 6
1.8 Metodologi Penelitian 6
v
UNIVERSITAS SUMATERA UTARA
Matematika
3.4.2 Menghitung nilai variabel keputusan dengan 38
menggunakan metode simpleks pada linear
programming
3.4.3 Menghitung nilai variabel keputusan 43
menggunakan Software QM
3.4.4 Mencari nilai optimal dengan metode Branch and 46
Bound
3.5 Penarikan kesimpulan 47
DAFTAR PUSTAKA 60
LAMPIRAN 61
vi
UNIVERSITAS SUMATERA UTARA
DAFTAR TABEL
vii
UNIVERSITAS SUMATERA UTARA
DAFTAR GAMBAR
viii
UNIVERSITAS SUMATERA UTARA
BAB 1
PENDAHULUAN
Dengan berbekal pengalaman selama 27 tahun, CV. Ridho Mandiri memahami dan
mengerti hal–hal terbaik untuk membuat celana dengan kualitas yang unggul.
Produk-produk ini di pasarkan ke beberapa provinsi yang ada di Indonesia. CV.
Ridho Mandiri memproduksi satu merk yaitu LOOK OUT. Perusahaan perlu
membuat perencanaan produksi yang optimal untuk dapat bersaing di pasar nasional
maupun internasional. Setiap pelaku usaha atau pelaku ekonomi pasti melakukan apa
yang disebut dengan prinsip ekonomi, yaitu dengan usaha atau modal yang sedikit
mampu menghasilkan keuntungan yang banyak, sehingga muncul masalah
optimisasi. Masalah optimisasi tersebut meliputi meminimumkan biaya atau
memaksimumkan keuntungan dengan kapasitas sumber daya yang ada agar mampu
mendapatkan hasil yang optimal. Optimalisasi merupakan proses mencari solusi
optimal dari sebuah permasalahan dengan menggunakan model matematis dan
pemecahannya dapat menggunakan program linier.
Program linier pertama kali diperkenalkan oleh George Dantzig (1947) yang
pada awalnya banyak dipakai pada bidang perencanaan militer, khususnya dalam
perang dunia II oleh angkatan bersenjata Amerika Serikat dan Inggris. Metode
pengerjaan program linier umumnya menggunakan metode grafik dan metode
simpleks. Program linier adalah suatu teknik penyelesaian optimal atas suatu
problema keputusan dengan cara menentukan terlebih dahulu fungsi tujuan dan
fungsi kendala yang ada ke dalam model matematik persamaan linier dan dengan
tujuan menemukan beberapa kombinasi alternatif pemecahan optimum.
Program bilangan bulat atau program integer adalah sebuah program linier
dengan persyaratan tambahan bahwa semua variabelnya merupakan bilangan-
bilangan bulat. Dalam hal ini, metode penyelesaian masalah yang digunakan adalah
metode Cabang dan Batas (Branch and Bound).
Berdasarkan penelitian sebelumnya di perusahaan furniture PT. Putra Jepara
memiliki hasil perhitungan matematis dari model atau permasalahan yang telah
diberikan, dengan menggunakan metode simpleks diperoleh hasil 2 unit lemari
pakaian, 45.5 set meja makan, dan 3 unit lemari jam, serta 1 set kursi tamu yang
memberikan nilai 𝑍 sebesar Rp. 107.496.000,-. Berdasarkan hasil penelitian tersebut
untuk mecapai hasil yang optimal sebagaimana yang di tujukan dengan harus
memproduksi 45.5 set meja makan, namun bahwa hasil tersebut tidak rasional, dalam
kasus ini 45,5 set meja harus diselesaikan dengan 45 atau 46 (bukan 45.5). dalam hal
ini digunakan metode branch and bound. Dari hasil perhitungan dengan metode
branch and bound diperoleh 2 unit lemari pakaian, 46 set meja makan, 2 unit lemari
jam dan 1 set kursi tamu yang memberikan nilai 𝑍 sebesar Rp. 107.087.000,- dan
semua variabel keputusannya bernilai bulat dan memiliki keuntungan yang
maksimal. Permasalahan seperti ini biasanya menuntut solusi yang optimum agar
dapat diperoleh keuntungan yang sebesar-besarnya. Salah satu model untuk
mempresentasikan suatu permasalahan adalah Program Linear. Salah satu dari
program linear yaitu integer programming. Integer Programming adalah sebuah
model matematis yang memungkinkan hasil penyelesaian kasus pada pemrograman
linear yang berupa bilangan bulat. Metode untuk menyelesaikan persoalan integer
programming adalah metode Branch and bound dan metodei ini ialah metode yang
paling efisien dari semua metode di integer programming. Dengan metode ini akan
dibuat percabangan dan perpotongan yang akan menghasilkan pemecahan optimum
dari masalah program linear untuk bergerak ke arah pemecahan integer atau mixed
integer yang diinginkan.
Metode branch and bound adalah salah satu metode untuk menghasilkan
penyelesaian optimal program linear yang menghasilkan variabel-variabel keputusan
bilangan bulat. Prinsip kerja metode branch and bound adalah mencabangkan
variabel keputusan yang tidak memiliki penyelesain bulat, percabangan dilakukan
terus hingga diperoleh penyelesaian bulat sehingga semua variabel keputusannya
bernilai bulat dan menghasilkan keuntungan maksimal bagi perusahaan.
Berdasarkan persoalan tersebut peneliti ingin meneliti tentang
“Implementasi Metode Branch and Bound Dalam Mengoptimalkan Jumlah
Produk Guna Memaksimalkan Keuntungan (Studi Kasus : CV. Ridho
Mandiri)”.
Permasalahan yang akan dibahas dalam penelitian ini adalah cara untuk
mengoptimalkan bahan baku yang tidak digunakan dengan menggunakan metode
branch and bound sehingga perusahaan dapat memperoleh keuntungan yang
maksimal.
Agar penelitian yang dilakukan dapat menghasilkan penelitian yang fokus dan
akurat, maka diberikan batasan masalah sebagai berikut:
1. Dipilih 6 produk celana yaitu : celana jeans panjang ukuran kecil, celana jeans
panjang ukuran big size, celana jeans panjang ukuran super jumbo, celana
jeans pendek ukuran kecil, celana jeans pendek ukuran big size, celana jeans
pendek ukuran super jumbo.
2. Dalam menyelesaikan produksi, harga bahan baku dianggap konstan.
3. Kondisi perusahaan dianggap dalam keadaan normal (kebijakan perusahaan
tidak berubah selama jangka waktu pemecahan masalah).
Tujuan utama dari penelitian ini adalah untuk memperlihatkan bahwa metode
Branch and Bound pada linear programming merupakan salah satu alternatif yang
dapat digunakan untuk mengoptimalkan bahan baku pembuatan celana jeans di CV.
Ridho Mandiri.
Program linier adalah suatu teknik penyelesaian optimal atas suatu problem
keputusan dengan cara menentukan terlebih dahulu fungsi tujuan (memaksimumkan
atau meminimumkan) dan kendala-kendala yang ada ke dalam model matematik
persamaan linier. Program linier sering digunakan dalam menyelesaikan problem
alokasi sumber daya (Parlin Sitorus, 1997). Pemrograman linier menggunakan model
matematika untuk menggambarkan suatu masalah. Sifat linier di sini berarti semua
fungsi matematika harus berupa fungsi linier. Kata pemrograman di sini berarti
melainkan perencanaan. Pemrograman linier meliputi perencanaan aktivitas untuk
mendapatkan hasil maksimal, yaitu sebuah hasil yang mencapai tujuan terbaik
(menurut model matematika) di antara semua kemungkinan alternatif yang ada.
Model merupakan suatu penyederhanaan dari permasalahan yang kompleks
menjadi lebih sederhana. Ada beberapa klasifikasi model dalam riset operasi, yaitu
model ikonik, model analog, model matematik, model simulasi dan model heuristic
(Faigiziduhu Bu’lölö, 2016).
Metode analisis yang paling bagus untuk menyelesaikan persoalan alokasi
sumber ialah metode program linier. Pokok pikiran yang utama dalam menggunakan
program linier ialah merumuskan masalah dengan jelas dengan menggunakan
sejumlah informasi yang tersedia. Sesudah masalah terumuskan dengan baik, maka
langkah berikut ialah menerjemahkan masalah ini ke dalam bentuk model
matematika, yang mempunyai cara pemecahan yang lebih mudah dan rapi guna
menemukan jawaban terhadap masalah yang dihadapi.
Metode simpleks dikembangkan oleh George Dantzig dalam tahun 1947. Dan
telah terbukti sebagai metode yang sangat efisien yang dipakai secara rutin untuk
menyelesaikan masalah-masalah besar dengan komputer masa kini (Frederick
S.Hillier 1994). Metode simpleks berbeda dengan metode grafik karena hanya dapat
menyelesaikan kasus dengan variabel keputusan sama dengan 2 sedangkan metode
simpleks dapat digunakan untuk memecahkan kasus dengan banyak variabel
keputusan.
Adapun proses penyusunan model matematik untuk fungsi tujuan dan
kendala pada metode simpleks sama dengan proses pada metode grafik. Namun,
proses perhitungan pada metode simpleks dilakukan secara rutin (berulang) dengan
menggunakan pola yang sistematik hingga penyelesaian terbaik dicapai. Proses
perhitungan yang rutin ini menunjukkan nilai fungsi tujuan akan sama atau lebih
besar dari penyelseaian pada iterasi sebelumnya. Hal ini memberi jaminan bahwa
proses ini bergerak kearah penyelesaian optimal.
Metode Branch and Bound pertama kali diperkenalkan oleh A.H Land dan
A.G. Doig dan dikembangkan lebih lanjut oleh peneliti-peneliti lain. Teknik ini dapat
diterapkan baik untuk masalah pure maupun mixed integer programming (Sri
Mulyono, 2017). Metode branch and bound adalah salah satu metode untuk
menghasilkan penyelesaian optimal program linear yang menghasilkan variabel-
variabel keputusan bilangan bulat. Sesuai dengan namanya metode ini membatasi
penyelesaian optimum yang akan menghasilkan bilangan pecahan dengan cara
membuat cabang atas atau bawah bagi masing-masing variabel keputusan yang
bernilai pecahan agar bernilai bulat sehingga setiap pembatasan akan menghasilkan
cabang baru (Widi Hartono, 2014). Pencabangan (branching) berarti memecah soal
menjadi 2 soal baru (masing-masing ditambah dengan kendala baru) dan
menyelesaikan keduanya (Jong Jek Siang, 2014).
Penelitian dilakukan di CV. Ridho Mandiri , yang beralamat di Jalan Bromo Gang
Sederhana No. 14 Medan.
3. Pengolahan Data
Tahapan yang dilakukan dalam pengolahan data adalah sebagai berikut:
1. Formulasi Fungsi
Model persamaan umum dalam program linier dapat dirumuskan sebagai berikut
(Aminudin, 2005):
Maksimalkan atau minimumkan :
𝑍 ∑
Dengan kendala :
Untuk
. . . . . . .
. . . . . . .
. . . . . . .
untuk
Keterangan :
𝑍 = Fungsi tujuan yang harus dicari nilai optimalnya (maksimal atau
minimal)
= tingkat kegiatan ke- j
= Kenaikan nilai Z terjadi apabila ada pertambahan tingkat kegiatan
dengan satu satuan unit atau sumbangan setiap satuan keluaran kegiatan
Z terhadap j
= Banyaknya sumber i yang diperlukan untuk menghasilkan setiap unit
keluaran kegiatan j
= Kapasitas sumber i yang tersedia untuk dialokasikan ke setiap unit
kegiatan
= macam kegiatan yang menggunakan sumber atau fasilitas yang tersedia
= macam batasan sumber atau fasilitas yang tersedia
Terminologi umum untuk model program linier dapat dirangkum sebagai berikut:
1. Fungsi yang akan dicari nilai optimalnya (Z) disebut sebagai fungsi tujuan
(objective function).
2. Fungsi-fungsi batasan dapat dikelompokkan menjadi dua macam, yaitu :
a. Fungsi batasan fungsional, yaitu fungsi-fungsi batasn sebanyak m.
b. Fungsi batasan non-negatif (non-negative constrains) yaitu variabel
.
3. Variabel-variabel disebut sebagai variabel keputusan (decision variables).
Masalah program linier dapat diilustrasikan dan dipecahkan secara grafik jika
ia hanya memiliki dua variabel keputusan. Meski masalah-masalah dengan dua
variabel jarang terjadi dalam dunia nyata, penafsiran geometris dari metode grafis ini
sangat bermanfaat. Untuk mencari penyelesaian optimal, dilakukan dengan cara
mencari titik penyelesaian optimal yang terdapat di dalam daerah kelayakan.
Langkah-langkah penggunaan metode grafik dapat ditunjukkan secara ringkas.
sebagai berikut :
Contoh 2.1
Setiap lusin sepatu merk I1 mula-mula dikerjakan di mesin 1 selama 2 jam, kemudian
tanpa melalui mesin 2 terus dikerjakan di mesin 3 selama 6 jam. Sedangkan untuk
sepatu merek I2 tidak diproses di mesin 1, tetapi pertama kali dikerjakan di mesin 2
selama 3 jam kemudian di mesin 3 selama 5 jam. Jam kerja maksimum setiap hari
untuk mesin 1 = 8 jam, mesin 2 = 15 jam, dan mesin 3 = 30 jam.
Sumbangan terhadap laba untuk setiap lusin sepatu merek I1 = Rp. 30.000
sedangkan merek I2 = Rp. 50.000. Masalahnya adalah menentukan berapa lusin
sebaiknya sepatu merek I1 dan merek I2 yang dibuat agar bisa memaksimumkan laba.
Data di atas dapat disusun kedalam tabel sebagai berikut :
Tabel 2.1 Contoh Soal Metode Grafik
Merek Kapasitas
I1 I2
Mesin Maksimum
1 2 0 8
2 0 3 15
3 6 5 30
Sumbangan
terhadap laba 3 5
(Rp.10.000)
Oleh karena itu dapat kita formulasikan fungsi tujuannya (dalam puluhan ribu
rupiah) sebagai berikut:
Maksimumkan : Z = 3X1 + 5X2
Dengan Kendala :
1) 2X1 ≤8
2) 3X2 ≤ 15
3) 6X1 + 5X2 ≤ 30
Keterangan :
Batasan 1 adalah batasan mesin 1 yang berarti 2 jam x jumlah sepatu merek I 1 yang
dibuat (2X1) tidak dapat lebih dari 8 jam.
Batasan 2 berarti 3 jam x jumlah sepatu merek I2 yang dibuat (3X2) tidak dapat lebih
dari 15 jam.
Batasan 3 berarti bahwa 6 jam x nilai X1 + 5 jam x nilai X2 tidak dapat lebih dari 30
jam.
Selain itu perlu pula diperhatikan batasan-batasan “non-negatif”, yaitu X1 ≥ 0
dan X2 ≥ 0. Artinya kombinasi X1 dan X2 nanti hanya akan terletak pada kuadran
pertama, yaitu kuadran yang memuat nilai-nilai positif bagi X1 dan X2.
Umpama garis tersebut digeser menjadi 3X1 + 5X2 = 20 (garis q). Tampak
bahwa masih terdapat lebih dari satu titik pada garis tersebut yang terletak di
dalam daerah feasible. Artinya belum ditemukan satu titik (X 1 , X2) yang
menghasilkan Z tertinggi. Garis Z = 3X 1 + 5X2 digeser lebih jauh ke kanan,
sampai akhirnya ditemukan garis 3X1 + 5X2 = 27 1/2 , yang menyinggung
daerah feasible di titik C (5/6 , 5). Berarti kombinasi optimal adalah : X 1 = 5/6
dan X2 = 5, dengan Z maksimal sebesar 27 1/2 .
Metode ini dapat digunakan untuk jumlah variabel keputusannya 2 atau lebih dan
jumlah kendalanya 2 atau lebih. Metode simpleks adalah suatu prosedur ulang yang
bergerak dari satu jawab layak basis ke jawab berikutnya sedemikian rupa hingga
harga fungsi tujuan terus menaik (dalam persoalan maksimasi) dan akan
berkelanjutan sampai dicapai jawab optimal (kalau ada) yang memberi harga
maksimum.
Cara yang paling sederhana unrtuk menyelesaikan permasalahan program
linier adalah dengan pendekatan grafikal. Namun cara tersebut hanya bisa diterapkan
untuk program linier dengan dua variabel keputusan. Pada kenyataannya sebagian
besar permasalahan program linier mempunyai lebih dari dua variabel keputusan.
Hal ini tentu sulit untuk menerapkan pendekatan grafikal untuk memperoleh
penyelesaian dari permasalahan tersebut.
Oleh karena itu, pada tahun 1947 George Dantzig mengajukan suatu metode
yang tepat untuk menyelesaikan permasalahan program linier yang disebut metode
simpleks. Metode simpleks merupakan prosedur aljabar yang bersifat iteratif yang
bergerak selangkah demi selangkah, dimulai dari titik ekstrim pada daerah feasible
(ruang sousi) menuju titik ekstrim yang optimum.
Berikut langkah-langkah dalam menyelesaikan permasalahan program linier
dengan metode simpleks (Handayani, 2014):
1. Konversikan formulasi persoalan ke dalam bentuk standar.
Agar persamaan garis batasan memenuhi persyaratan penyelesaian daerah
kelayakan (feasible) maka semua pertidaksamaan diubah menjadi persamaan
dengan cara menambahkan variabel slack, surplus dan variabel buatan
(artifisial variabel) pada tiap batasan (constraint) serta member harga nol pada
setiap koefisien tujuannya. Batasan dapat dimodifikasi sebagai berikut:
a. Untuk batasan bernotasi (≤) diubah ke dalam bentuk persamaan dengan
menambahkan variabel slack.
b. Untuk batasan bernotasi (≥) atau (=) diselesaikan dengan menambahkan
variabel surplus dan variabel buatan. Dengan penambahan variabel buatan
ini akan merusak sistem batasan, hal ini dapat diatasi dengan membuat suatu
bilangan penalty M (M bilangan positif yang sangan besar) sebagai harga
dari variabel buatan tersebut dalam fungsi tujuan. Untuk kasus maksimasi
maka dibuat –M sebagai harga dari variabel buatan dan untuk kasus
minimasi dibuat +M sebagai harga dari variabel buatan. Cara pendekatan ini
dikenal dengan metode M besar (Big M method).
2. Susun persamaan-persamaan ke dalam tabel simpleks
Tabel 2.2 Bentuk Tabel Simpleks
3. Pilih kolom kunci, yaitu kolom yang memiliki nilai (𝑍 - ) yang paling positif
untuk kasus maksimasi atau yang memiliki nilai (𝑍 - ) yang paling negatif
untuk kasus minimasi.
4. Pilih baris kunci yang memiliki nilai indeks terkecil. Nilai indeks adalah
perbandingan nilai kanan dengan kolom kunci.
5. Tentukan nilai elemen cell, yaitu nilai perpotongan antara kolom kunci dan
baris kunci.
6. Lakukan iterasi dengan menentukan baris kunci baru, baris Z baru, dan baris
variabel-variabel slack baru.
a. Baris kunci baru ditentukan dengan membagi baris kunci lama dengan
elemen cell.
b. Baris Z baru dan baris-baris lainnya ditentukan dengan cara:
Baris lama – (nilai kolom kunci baris yang sesuai × baris kunci baru)
c. Letakkan nilai-nilai baris yang baru diperoleh ke dalam tabel.
7. Lakukan uji optimalisasi. Jika semua koefisien pada baris (𝑍 - ) sudah tidak
ada lagi yang bernilai positif (untuk kasus maksimasi) atau sudah tidak ada
lagi yang bernilai negatif (untuk kasus minimasi) berarti sudah optimal. Jika
kriteria belum terpenuhi, diulangi dari langkah 3.
Variabel dasar adalah variabel yang nilainya sama dengan sisi kanan dari
persamaan. Pada persamaan 2X1 + X3 = 8, kalau belum ada kegiatan apa-apa, berarti
nilai X1 = 0, dan semua kapasitas masih menganggur, maka pengangguran ada 8
satuan, atau nilai X3 = 8. Pada tabel tersebut nilai variabel dasar (X 3, X4, X5) pada
fungsi tujuan pada tabel permulaan ini harus 0, dan nilainya pada batasan-batasan
bertanda positif.
Tabel 2.3 Tabel simpleks yang pertama
Variabel X1 X2 X3 X4 X5
Z NK
Dasar
Z 1 -3 -5 0 0 0 0
X3 0 2 0 1 0 0 8
X4 0 0 3 0 1 0 15
X5 0 6 5 0 0 1 30
Variabel X1 X2 X3 X4 X5 Keterangan
Z NK
Dasar (Indeks)
Z 1 -3 -5 0 0 0 0
X3 0 2 0 1 0 0 8
X4 0 0 3 0 1 0 15
X5 0 6 5 0 0 1 30
Jika suatu tabel sudah tidak memiliki nilai negatif pada baris fungsi tujuan,
berarti tabel itu tidak bisa dioptimalkan lagi (sudah optimal).
Variabel X1 X2 X3 X4 X5 Keterangan
Z NK
Dasar (Indeks)
Z 1 -3 -5 0 0 0 0
X3 0 2 0 1 0 0 8 8/0 = ∞
X4 0 0 3 0 1 0 15 15/3 = 5
X5 0 6 5 0 0 1 30 30/5 = 6
Z
X3
X2 0 0 1 0 ⁄ 0 5
X5
[-3 -5 0 0 0, 0]
[2 0 1 0 0, 8]
Nilai baru = [2 0 1 0 0, 8]
[6 5 0 0 1, 30 ]
Variabel X1 X2 X3 X4 X5 Keterangan
Z NK
Dasar (Indeks)
Z 1 -3 0 0 5/3 0 25
X3 0 2 0 1 0 0 8 = 8/2 = 4
X4 0 0 1 0 1/3 0 5
X5 = 5/6
0 6 0 0 -5/3 1 5 (minimum)
Z 1
X3 0
X2 0
X1 0 6/6 0 0 -5/18 1/6 5/6
Baris ke-1
[-3 0 0 5/3 0, 25 ]
1
Nilai baru = [0 0 0 5/6 ½, 27 /2]
Baris ke-2 (batasan 1)
[2 0 1 0 0, 8]
[0 1 0 1/3 0, 5]
Variabel X1 X2 X3 X4 X5
Z NK
Dasar
1
Z 1 0 0 0 5/6 ½ 27 /2
1
X3 0 0 0 1 5/9 -1/3 6 /3
X2 0 0 1 0 1/3 0 5
Baris pertama (Z) tidak ada lagi yang bernilai negatif. Sehingga tabel tidak dapat
dioptimalkan lagi dan tabel tersebut merupakan hasil optimal.
Dari tabel final didapat :
X1 = 5/6, X2 = 5 dengan Zmaksimum = 271/2
2.4 Program Integer
Menurut Sitorus (1997), program linier bilangan bulat atau disebut juga sebagai
program integer merupakan suatu model program linier yang khusus digunakan
untuk menyesuaikan suatu masalah program linier dimana nilai variabel-variabel
keputusan dalam menyelesaikan optimal harus merupakan bilangan integer (bulat).
Karakteristik model matematika program linier integer adalah sama dengan model
linier biasa, kecuali dalam program linier integer harus ada memuat suatu
persyaratan bahwa variabel keputusan tertentu harus bilangan integer. Apabila
dalam Program Linier integer mensyaratkan bahwa :
1. Semua keputusan harus merupakan bilangan integer disebut All integer linear
programming (AILP).
2. Hanya sebagian keputusan yang merupakan bilangan integer disebut Mixed
integer linear programing (MILP).
3. Jika variabel keputusan harus bernilai 0 dan 1 disebut Zero one integer linear
programming (ZOILP).
Ada banyak kasus dalam masalah program integer yang membatasi variabel
model bernilai nol atau satu. Dalam kasus demikian, pengambil keputusan hanya
memiliki dua pilihan yaitu menerima atau menolak suatu usulan kegiatan.
Penerimaan atau penolakan yang sifatnya parsial (sebagian) tidak diperbolehkan.
Jika variabel keputusan bernilai satu, kegiatan diterima. Dan jika variabel berilai nol,
kegiatan ditolak. (Mulyono, 2004).
Bentuk umum program integer dapat dirumuskan sebagai berikut :
Maksimumkan atau minimumkan :
𝑍 ∑
Dengan kendala :
∑ (
Untuk
Keterangan:
𝑍 = Fungsi tujuan yang harus dicari nilai optimalnya (maksimal atau minimal)
= tingkat kegiatan ke- j
Kenaikan nilai Z terjadi apabila ada pertambahan tingkat kegiatan
dengan satu satuan unit atau sumbangan setiap
= satuan keluaran kegiatan Z terhadap j
Banyaknya sumber i yang diperlukan untuk menghasilkan setiap unit
= keluaran kegiatan j
= Kapasitas sumber i yang tersedia untuk dialokasikan ke setiap unit kegiatan
= macam kegiatan yang menggunakan sumber atau fasilitas yang tersedia
= macam batasan sumber atau fasilitas yang tersedia
Metode Branch and Bound pertama kali diperkenalkan oleh Land dan Doig (1960).
Ide dasarnya adalah untuk membagi daerah solusi fisibel menjadi daerah solusi
fisibel yang lebih kecil. Ini merupakan prosedur sederhana yang menetapkan batasan
yang lebih tinggi dan rendah menjadi solusi saat menyelesaikan sub masalah secara
sistematis. Kemudian metode ini dimodifikasi oleh Dakin (1965) dan dengan sukses
menerapkannya di dalam kitab undang-undang hukum dagang banyak orang dalam
memecahkan persoalan program integer.
Dengan menggunakan metode Branch and Bound, Widi Hartono (2014)
dapat menganalisis permasalahan optimasi sisa material besi pada plat lantai. Dimana
perbandingan jumlah besi tulangan yang berdiameter 12 cm dan 10 cm terjadi
penghematan sebesar 1,5449% dan 4,0399%.
Metode Branch and Bound merupakan salah satu metode untuk menghasilkan
penyelesaian optimal program linear yang menghasilkan variabel – variabel
keputusan bilangan bulat. Sesuai dengan namanya, metode ini membatasi
penyelesaian optimum yang akan menghasilkan bilangan pecahan dengan cara
membuat cabang atas atau bawah bagi masing-masing variabel keputusan yang
bernilai pecahan agar bernilai bulat sehingga setiap pembatasan akan menghasilkan
cabang baru (Hartono, 2014). Metode ini sering digunakan untuk menyelesaikan
suatu masalah program integer karena hasil yang diperoleh dalam penyelesaian
optimal lebih teliti dan lebih baik dari kedua metode lainnya. Kelemahan pokok
metode ini adalah prosedur untuk mencapai hasil optimal sangat panjang.
Prinsip dasar metode ini adalah memecah daerah fisibel layak suatu masalah
program linier dengan membuat submasalah. Ada dua konsep dasar dalam metode
branch and bound:
a. Branching adalah proses membagi-bagi permasalahan menjadi subproblem-
subproblem yang mungkin mengarah ke solusi.
b. Bounding adalah suatu proses untuk mencari/menghitung batas atas dan
batas bawah untuk solusi optimal pada subproblem yang mengarah ke
solusi.
Pencabangan dilakukan
dengan kendala baru yang
saling berhubungan
.
Solusi awal
2.6 Software QM
Software POM/QM for Windows adalah sebuah software yang dirancang untuk
melakukan perhitungan yang diperlukan pihak manajemen untuk mengambil
keputusan di bidang produksi dan pemasaran. Software ini dirancang hanya untuk
membantu perhitungannya saja jadi kita harus dapat menginterpretasikan masalah
dan teori programasi linier. Software ini dirancang oleh Howard J. Weiss tahun 1996
untuk membantu menejer produksi khususnya dalam menyusun prakiraan dan
anggaran untuk produksi bahan baku menjadi produk jadi atau setengah jadi dalam
proses pabrikasi.
METODE PENELITIAN
Jenis celana yang diteliti dalam tulisan ini adalah berdasarkan ukuran.
Adapun terdapat 6 jenis celana pada perusahaan tersebut, antara lain:
Tabel 3.1 Jenis Celana Jeans
No. Jenis Celana Definisi
1. Celana Pendek Ukuran Kecil Nomor 27 – 32
2. Celana Pendek Big SIze Nomor 33 - 38
3. Celana Pendek Ukuran Super Jumbo Nomor 39 - 44
4. Celana Panjang Ukuran Kecil Nomor 27 – 32
5. Celana Panjang Ukuran Big SIze Nomor 33 - 38
6. Celana Panjang Ukuran Super Jumbo Nomor 39 - 44
13 Sticker 7.000
14 Saten Pinggang 7.500
15 Merk 5.500
16 Pantasi kt. Blk 4.000
17 Pantasi kt. Dpn 4.000
Analisis data pada penelitian ini dilakukan dengan cara yaitu antara lain :
Maksimalkan : 𝑍
Dengan kendala :
12
12
0
Persamaan 2 :
Dengan kendala :
12
0
Di mana :
= Celana Pendek Kecil
= Celana Pendek Big Size
= Celana Pendek Super Jumbo
= Celana Panjang Kecil
= Celana Panjang Big Size
= Celana Panjang Super Jumbo
𝑍 ∑ ∑
Fungsi kendala :
12
12
0 18 21 25 35 40 45 0 1 0 0 0 0 0 0 30000
0 12 12 12 12 12 12 0 0 1 0 0 0 0 0 12000
0 0 0 0 72 72 72 0 0 0 1 0 0 0 0 36000
0 12 12 0 12 12 0 0 0 0 0 1 0 0 0 7000
0 0 12 12 0 12 12 0 0 0 0 0 1 0 0 7500
0 12 12 12 0 0 0 0 0 0 0 0 0 1 0 5500
0 12 0 0 12 0 0 0 0 0 0 0 0 0 1 4000
x
ITERASI 1
Nilai Baru (NB) :
Baris
9 10,8 12 15 16,2 21,6 1 0 0 0 0 0 0 0 14000
(21,6) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500 (─)
N
꞊ [9 10,8 12 -6,6 -5,4 0 1 0 0 -0,30024 0 0 0 0 3200
B
Baris
18 21 25 35 40 45 0 1 0 0 0 0 0 0 30000
(45) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500 (─)
N
꞊ [18 21 25 -10 -5 0 0 1 0 -0,6255 0 0 0 0 7500
B
Baris
12 12 12 12 12 12 0 0 1 0 0 0 0 0 12000
(12) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500 (─)
N
꞊ [12 12 12 0 0 0 0 0 1 -0,1668 0 0 0 0 6000
B
Baris
12 12 0 12 12 0 0 0 0 0 1 0 0 0 7000
(0) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500] (─)
N
꞊ [12 12 0 12 12 0 0 0 0 0 1 0 0 0 7000]
B
Baris
0 12 12 0 12 12 0 0 0 0 0 1 0 0 7500
(12) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500] (─)
N
꞊ [0 12 12 -12 0 0 0 0 0 -0,1668 0 1 0 0 1500]
B
Baris
12 12 12 0 0 0 0 0 0 0 0 0 1 0 5500
(0) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500] (─)
N
꞊ [12 12 12 0 0 0 0 0 0 0 0 0 1 0 5500]
B
Baris
12 0 0 12 0 0 0 0 0 0 0 0 0 1 4000
(0) [0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500] (─)
N
꞊ [12 0 0 12 0 0 0 0 0 0 0 0 0 1 4000]
B
Baris Z
- - -
8318 10203 975 -800073 -1005252 -1028724 0 0 0 0 0 0 0 0 0
67 87 342
(102872
[0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500] (─)
4)
[- - -
N
꞊ 8318 10203 975 228651 252123 0 0 0 0 14299,2636 0 0 0 1 51436200]
B 67 87 342
0 12 12 12 0 0 0 0 0 1 -0,1668 0 0 0 0 6000
0 0 0 0 1 1 1 0 0 0 0,0139 0 0 0 0 500
0 12 12 0 12 12 0 0 0 0 0 1 0 0 0 7000
0 12 12 12 0 0 0 0 0 0 0 0 0 1 0 5500
0 12 0 0 12 0 0 0 0 0 0 0 0 0 1 4000
Karena masih terdapat nilai negatif pada baris fungsi tujuan yang
bernilai negatif maka iterasi masih dilanjutkan dengan perbaikan. Iterasi akan
berhenti ketika semua nilai pada baris fungsi tujuan tidak ada yang bernilai
negatif. Sehingga didapat hasil akhir iterasi sebagai berikut :
0 X9 500 0 0 0 0 0 0 0 0 1 -0.1667 0 0 -1 0
0 X14 0 0 0 0 0 0 0 0 0 0 -0.1667 0 1 -1 1
zj 903,741,248 831867 1020387 975342 800073 1005252 1028724 13375 12342 0 791.88 9205.25 10618.25 31572.76 0
Keterangan : Dipilih yang mempunyai nilai pada garis fungsi tujuan yang
bernilai negatif dengan angka terbesar untuk mengubah tabel
simplek.
Tabel 3.10 Iterasi II Metode Simpleks Dengan Software QM
Keterangan : Pada iterasi III dapat dilihat bahwa masuk ke dalam Basic
Variables dan slack 6 keluar dari Basic Variables dan
dilanjutkan dengan memilih kolom sebagai kolom kunci.
Tabel 3.12 Iterasi IV Metode Simpleks Dengan Software QM
Keterangan : Pada iterasi VII dapat dilihat bahwa masuk ke dalam Basic
Variables dan slack 7 keluar dari Basic Variables dan nilai
semua variable keputusan didapatkan.
Dari hasil iterasi dengan menggunakan software QM, diperolehlah hasil yang
optimal yaitu = 152,78 , = 166,67 , = 138,89 , = 180,56 , = 83,33 dan
= 236,11 dengan Z = 903741200.
, , dengan
keuntungan sebesar Rp.903.741.200 belum menjadi solusi yang valid karena , ,
, , dan bukan bilangan integer. Namun nilai keuntungannya
Rp.903.741.200 yang menjadi batas atas (BA). Dengan metode pembulatan ke
bawah, diperoleh : , ,
dengan keuntungan Rp.900.653.142. Nilai keuntungan dengan pembulatan ke
bawah dijadikan sebagai batas bawah (BB).
Setelah batas atas dan batas bawah ditentukan, maka selanjutnya memilih
variabel keputusan untuk melakukan pencabangan (branching), Variabel keputusan
memiliki nilai pecahan terbesar. Pecahan terbesar berada pada yaitu sebesar
138,89 , maka dicabangkan menjadi sub-masalah 1 dan sub-masalah 2 dengan
tambahan kendala untuk sub-masalah 1 yaitu dan untuk sub-masalah 2
yaitu . Telah diperoleh nilai variabel keputusan dari sub-masalah 1 dan 2
masih ada yang bernilai pecahan maka pencabangan (branch) terus dilanjutkan.
Proses Pencabangan ini tetap dilanjutkan sampai semua nilai variabel keputusan
bernilai bulat dan fisibel. Proses pencabangan dapat dilihat sebagai berikut :
Solusi awal
Persamaan 2 :
Dengan kendala :
12
0
Di mana :
= Celana Pendek Kecil
= Celana Pendek Big Size
= Celana Pendek Super Jumbo
= Celana Panjang Kecil
= Celana Panjang Big Size
= Celana Panjang Super Jumbo
Dari hasil iterasi dengan menggunakan software QM, diperolehlah hasil yang optimal
yaitu :
= 152,78
= 166,67
= 138,89
= 180,56
= 83,33
= 236,11
Sehingga celana jeans yang harus diproduksi dalam sekali produksi
sebanyak 152,78 lusin celana pendek ukuran kecil, 166,67 lusin celana pendek big
size, 138,89 lusin celana pendek ukuran super jumbo, 180,56 lusin celana panjang
ukuran kecil, 83,33 lusin celana panjang big size dan 236,11 lusin. Namun masalah
ini belum valid karena solusi yang dibutuhkan adalah solusi berupa bilangan integer.
Selanjutnya akan digunakan metode Branch and Bound agar solusi yang dihasilkan
berupa bilangan integer.
Langkah pertama yang dilakukan adalah menentukan batas atas (BA) dan batas
bawah (BB). Hasil yang diperoleh sebelumnya yaitu , ,
, dengan keuntungan sebesar
Rp.903.741.200 belum menjadi solusi yang valid karena , , , , dan
bukan bilangan integer. Namun nilai keuntungannya Rp.903.741.200 yang menjadi
batas atas (BA). Dengan metode pembulatan ke bawah, diperoleh :
, , dengan keuntungan
Rp.900.653.142. Nilai keuntungan dengan pembulatan ke bawah dijadikan sebagai
batas bawah (BB).
Setelah batas atas dan batas bawah ditentukan, maka selanjutnya memilih
variabel keputusan untuk melakukan pencabangan (branching). Variabel keputusan
memiliki nilai pecahan terbesar. Pecahan terbesar berada pada yaitu sebesar
138,89 , maka dicabangkan menjadi sub-masalah 1 dan sub-masalah 2 dengan
tambahan kendala untuk sub-masalah 1 yaitu dan untuk sub-masalah 2
yaitu .
Sehingga diperoleh :
Iterasi 1 :
1. Sub-Masalah 1
Persamaan 3.1
Maksimalkan : 𝑍
Persamaan 3.2
Dengan kendala :
12
Kendala Baru
0
2. Sub-Masalah 2
Persamaan 3.1
Maksimalkan : 𝑍
Persamaan 3.2
Dengan kendala :
12
Kendala Baru
0
Iterasi 2
Sub-masalah 1 memiliki batas atas (BA) dan batas bawah (BB) yaitu :
BA = Rp. 903.734.600 dengan = 152,8 = 166,5 , = 139, = 180,5 ,
= 83,5 , = 236
BB = Rp. 901.628.484 dengan = 152 = 166 , = 139, = 180 , = 83 ,
= 236
Karena pecahan terbesar terletak pada yaitu sebesar 152,8 maka tambahan
kendala untuk sub-masalah 3 adalah dan untuk sub-masalah 4.
Sehingga diperoleh :
1. Sub-masalah 3
Maksimalkan : Persamaan 3.1
2. Sub-masalah 4
Maksimalkan : Persamaan 3.1
Iterasi 3
Sub-masalah 2 memiliki batas atas (BA) dan batas bawah (BB) yaitu :
BA = Rp. 903.734.200 dengan = 154,8 = 165,53 , = 138, = 178,41 ,
= 84,59 , = 236,88
BB = Rp. 900.701.595 dengan = 154 = 165 , = 138, = 178,41 , = 84
= 236
Karena pecahan terbesar terletak pada yaitu sebesar 236,88 maka
tambahan kendala untuk sub-masalah 5 adalah dan untuk sub-
masalah 6. Sehingga diperoleh :
1. Sub-masalah 5
Maksimalkan : Persamaan 3.1
2. Sub-masalah 6
Maksimalkan : Persamaan 3.1
Iterasi 4
Sub-masalah 3 memiliki batas atas (BA) dan batas bawah (BB) yaitu :
BA = Rp. 903.730.500 dengan = 153 = 166,33 , = 139, = 180,33 ,
= 83,68 , = 236,
BB = Rp. 900.701.595 dengan = 153 = 166 , = 139, = 180 , = 83,
= 236
Sub-masalah 3 dicabangkan menjadi sub-masalah 7 dan sub masalah 8.
Karena pecahan terbesar pada solusi sub-masalah 3 terletak pada yaitu sebesar
83,68 maka tambahan kendala untuk sub-masalah 7 adalah dan
untuk sub-masalah 8.
1. Sub-Masalah 7
Maksimalkan : Persamaan 3.1
2. Sub-Masalah 8
Maksimalkan : Persamaan 3.1
kendala
Iterasi 6
Sub-masalah 5 memiliki batas atas (BA) dan batas bawah (BB) yaitu :
BA = Rp. 903.733.100 dengan = 155,13 = 165,35 , = 137,86 ,
= 178,06 , = 84,8 , = 237,
BB = Rp. 901.586.844 dengan = 155 = 165 , = 137, = 178 , = 84 ,
= 237
Sub-masalah 5 dicabangkan menjadi sub-masalah 11 dan sub masalah 12.
Karena pecahan terbesar pada solusi sub-masalah 5 terletak pada yaitu sebesar
137,86 maka tambahan kendala untuk sub-masalah 11 adalah dan
untuk sub-masalah 12.
1. Sub-masalah 11
Maksimalkan : Persamaan 3.1
2. Sub-masalah 12
Maksimalkan : Persamaan 3.1
Iterasi 7
Sub-masalah 6 memiliki batas atas (BA) dan batas bawah (BB) yaitu :
BA = Rp. 903.304.400 dengan = 172,33 = 148 , = 138 , = 160 ,
= 103 , = 236
BB = Rp. 903.027.096 dengan = 172 = 148 , = 138, = 160 , = 103 ,
= 236
Sub-masalah 6 dicabangkan menjadi sub-masalah 13 dan sub masalah 14.
Karena pecahan terbesar pada solusi sub-masalah 6 terletak pada yaitu sebesar
172,33 maka tambahan kendala untuk sub-masalah 13 adalah dan
untuk sub-masalah 14.
1. Sub-masalah 13
Maksimalkan : Persamaan 3.1
Solusi awal
Tabel 4.2 Hasil akhir metode Branch and Bound dengan Software QM
Dari hasil perhitungan dengan metode Branch and Bound maka diambil
dengan nilai optimal terbesar yakni Z= Rp. 903.567.400 dengan masing-masing
jumlah celana yang optimal diproduksi yaitu 155 lusin celana pendek ukuran kecil,
165 lusin celana pendek ukuran big size, 138 lusin celana pendek ukuran super
jumbo, 178 lusin celana panjang ukuran kecil, 85 lusin celana panjang ukuran big
size dan 237 lusin celana panjang ukuran super jumbo.
4.1 Kesimpulan
Dari uraian dan perhitungan analisa, maka dapat disimpulkan :
1. Dari hasil analisis menggunakan metode Branch and Bound, jumlah celana yang
optimal diproduksi yaitu 155 lusin celana pendek ukuran kecil, 165 lusin celana
pendek ukuran big size, 138 lusin celana penek ukuran super jumbo, 178 lusin
celana panjang ukuran kecil, 85 lusin celana panjang ukuran big size dan 237
lusin celana panjang ukuran super jumbo dengan keuntungan sebesar Rp.
903.567.400.
2. Dengan menggunakan metode Branch and Bound, keuntungan naik sebesar 4,3
% atau Rp. 37.335. 715 dari keuntungan perusahaan.
4.2 Saran
Dari penelitian ini penulis menyarankan sebagai berikut:
1. Hasil dari penelitian ini dapat menjadi bahan pertimbangan dan informasi
tambahan bagi perusahaan dalam menetapkan rencana produksi agar keuntungan
yang diperoleh lebih meningkat.
2. Disarankan untuk memilih percabangan dari nilai optimal yang lebih mendekati
batas atas karena nilai optimal yang mendekati batas atas lebih memungkinkan
untuk mendapatkan variabel keputusan yang integer dengan solusi optimal.
Aritonang, Desi Ratna Sari. 2013. Analisis Metode Branch and Bound Dalam
Mengoptimalkan Jumlah Produksi Roti (Studi Kasus : PT. Ramah Jaya
Bakery). [Skripsi]. Medan : Universitas Sumatera Utara.
Bu’lölö, Faigiziduhu. 2016. Operasi Riset Program Linear. Medan: USU Press.
Hartono, Widi. 2014. Implementasi Algoritma Branch and Bound pada 0-1 knapsack
Problem untuk mengoptimalkan muatan barang. Jurnal Matematika.
Semarang.
Lieberman, Gerald J., and Hillier, Frederick S.,1973. Operations Research, edisi ke-
2, Holden Day, Inc. San Fransisco
Mulyono, Sri. 2017. Riset Operasi Edisi 2. Jakarta : Mitra Wacana Media.
Sarkar, Avijit. 2010. Branch and Cut Algorithms for Combinatorial Optimization
Problems. University at Buffalo (SUNY). New York
Siang, Jong Jek. 2014. Riset Operasi dalam pendekatan Algoritmis, edisi ke-2.
Yogyakarta : CV. ANDI OFFSET.