Insentif Bahan Ajar Riset Operasi-Dikonversi

Kode Rumpun Ilmu : 571/Manajemen
LAPORAN AKHIR
INSENTIF BUKU AJAR
RISET OPERASI
Diajukan Kepada :
Ketua Sekolah Tinggi Ilmu Ekonomi Graha Kirana
Cq. Ketua Lembaga Penelitian dan Pengabdian Masyarakat
Disusun Oleh :
Ketua : Subambang H, SE, M.Si NIDN. 0126127801

Anggota : Darmawan Sriyanto, SE.M.Si.Ak. NIDN. 0106057202
PROGRAM STUDI MANAJEMEN

SEKOLAH TINGGI ILMU EKONOMI GRAHA KIRANA
TAHUN
2016
STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 1

DAFTAR ISI
BAB 1 PENDAHULUAN ---------------------------------------------------------- 1
1.1 SEJARAH SINGKAT RISET OPERASI ------------------------ 1

1.2 ILMU DAN SENI RISET OPERASI ----------------------------- 4
1.3 TAHAPAN STUDI RISET OPERASIONAL ------------------ 4
1.4 KOMPONEN-KOMPONEN DARI SEBUAH MODEL
KEPUTUSAN -------------------------------------------------------- 5
1.5 MODEL DALAM RISET OPERASIONAL ------------------- 6
1.6 METODOLOGI RISET OPERASIONAL ---------------------- 8
1.7 METODE-METODE UMUM MENCARI SOLUSI ---------- 9
1.8 TEKNIK-TEKNIK RISET OPERASI ---------------------------- 10
1.9 CIRI-CIRI RISET OPERASI --------------------------------------- 11
1.10 KETERBATASAN RISET OPERASI ---------------------------- 11
BAB 2 PROGRAMA LINIER ----------------------------------------------------- 13
2.1 PENDAHULUAN --------------------------------------------------- 13

2.2 FORMULASI MODEL PROGRAMA LINIER ---------------- 14
2.3 KARAKTERISTIK MASALAH PROGRAMA LINIER ---- 18
2.4 SIFAT MODEL PROGRAMA LINIER -------------------------- 18
BAB 3 TEKNIK PEMECAHAN PROGRAMA LINIER (SOLUSI

GRAFIK) --------------------------------------------------------------------- 23
3.1 PENDAHULUAN --------------------------------------------------- 23

3.2 SOLUSI GRAFIK ---------------------------------------------------- 23
3.3 SOLUSI GRAFIK MASALAH MINIMASI ------------------- 30
BAB 4 SOLUSI METODE SIMPLEX ------------------------------------------- 34
4.1 PENDAHULUAN --------------------------------------------------- 34

4.2 SOLUSI METODE SIMPLEX -------------------------------------- 35
4.3 SOLUSI UNTUK PERSAMAAN SIMULTAN --------------- 38
4.4 METODE SIMPLEX MENGGUNAKAN TABEL SIMPLEX 40
BAB 5 MASALAH MINIMASI DAN TIPE PROGRAMA LINIER

YANG IRREGULAR ------------------------------------------------------ 53

5.1 PENDAHULUAN --------------------------------------------------- 53
5.2 MASALAH MINIMASI PROGRAM LINIER ---------------- 53
5.3 TABEL SIMPLEX MINIMASI ------------------------------------ 55
5.4 MASALAH BATASAN CAMPURAN ------------------------- 58
5.5 MASALAH JENIS PROGRAMA LINIER YANG TIDAK
TERATUR ------------------------------------------------------------- 62
BAB 6 ANALISIS POST OPTIMAL ------------------------------------------- 66
6.1 PENDAHULUAN --------------------------------------------------- 66

6.2 MODEL DUA DARI PRIMAL ----------------------------------- 66
6.3 PENGGUNAAN DUAL ------------------------------------------- 71
6.4 ANALISIS SENSITIVITAS ---------------------------------------- 72
BAB 7 MASALAH TRANSPORTASI ----------------------------------------- 75
7.1 PENDAHULUAN --------------------------------------------------- 75

7.2 MODEL TRANSPORTASI ---------------------------------------- 76
BAB 8 MASALAH PENUGASAN --------------------------------------------- 88
8.1 PENDAHULUAN --------------------------------------------------- 88

8.2 MASALAH MINIMASI ------------------------------------------- 89
8.3 MASALAH MAKSIMASI ----------------------------------------- 92
8.4 MASALAH KETIDAKSEIMBANGAN ------------------------ 94
BAB 9 ANALISIS ANTRIAN ---------------------------------------------------- 96
9.1 PENDAHULUAN --------------------------------------------------- 96

9.2 KOMPONEN PROSES ANTRIAN ----------------------------- 98
9.3 STRUKTUR DASAR PROSES ANTRIAN -------------------- 99
9.4 KERANGKA KEPUTUSAN MASALAH ANTRIAN ------ 100
9.5 ASUMSI TEORI ANTRIAN -------------------------------------- 101
9.6 NOTASI KENDALL ------------------------------------------------ 103
9.7 MODEL ANTRIAN SATU SALURAN SATU TAHAP
(M/M/I) --------------------------------------------------------------- 104
9.8 MODEL ANTRIAN BANYAK SALURAN SATU ATAP
(M/M/C) -------------------------------------------------------------- 107
BAB 10 PERENCANAAN JARINGAN KERJA DAN ANALISIS
CPM/PERT ------------------------------------------------------------------- 109

10.1 PENDAHULUAN --------------------------------------------------- 109
10.2 DIAGRAM JARINGAN KERJA --------------------------------- 110
10.3 MODEL JARINGAN CPM/PERT ------------------------------ 113
10.4 PERT --------------------------------------------------------------------- 120
BAB 11 ANALISIS KEPUTUSAN ----------------------------------------------- 123
11.1 PENDAHULUAN --------------------------------------------------- 123

11.2 PEMNGAMBILAN KEPUTUSAN TANPA PROBABILITAS 124
11.2.1 KRITERIA MAXIMAX (KRITERIA SANGAT
OPTIMIS) ----------------------------------------------------- 125
11.2.2 KRITERIA MAXIMIM (KRITERIA SANGAT
PESIMIS) ------------------------------------------------------- 126
11.2.3 KRITERIA MAXIMAX REGRET ------------------------ 126
11.2.4 KRITERIA HURWICZ ------------------------------------- 128
11.2.5 KRITERIA BOBOT YANG SAMA ---------------------- 128
11.3 PENGAMBILAN KEPUTUSAN DENGAN PROBABILITAS 129
11.3.1 NILAI EKPEKTASI ----------------------------------------- 129
11.3.2 PELUANG RUGI EKSPEKTASI (EXPECTED
OPPORTUNITY LOSS)------------------------------------- 130
11.4 POHON KEPUTUSAN -------------------------------------------- 132

DAFTAR TABEL
Tabel 1. Peringkat teknik riset operasional/ilmu manajemen -------------- 2

Tabel 2. Peringkat bidang yang mengaplikasikan riset operasional/
Ilmu manajemen ------------------------------------------------------------ 3
Tabel 4.1 Tabel Awal (secara Umum) ---------------------------------------------- 40
Tabel 4.2 tabel Simplex ----------------------------------------------------------------- 41
Tabel 4.3 Solusi Fisibel Dasar --------------------------------------------------------- 42
Tabel 4.4 Tabel Simpelx dengan nilai-nilai cj ------------------------------------- 43
Tabel 4.5 Tabel Simplex dengan Koefisien batasan Model ------------------- 43
Tabel 4.6 Tabel Simpelx dengan nilai-nilai cj ------------------------------------ 44
Tabel 4.7 Tabel Simplex Awal Lengkap ------------------------------------------- 45
Tabel 4.8 Pemilihan Variabel Dasar yang masuk ------------------------------- 46
Tabel 4.9 Variabel Dasar dan nilai cj untuk tabel simplex Kedua ---------- 47
Tabel 4.10 Perhitungan Nilai Baris pemutar yang baru ------------------------ 47
Tabel 4.11 Tabel Simplex Kedua yang lengkap ----------------------------------- 48
Tabel 4.12 Kolom Pemutar Baris pemutar dan angka pemutar --------------- 49
Tabel 4.13 Nilai-nilai baris pemutar lama ------------------------------------------ 50
Tabel 4.14 tabel Simplex Lengkap ---------------------------------------------------- 50
Tabel 5.1 Tabel Simplex awal model minimasi ---------------------------------- 55
Tabel 5.2 Tabel Simplex Kedua ------------------------------------------------------ 56
Tabel 5.3 Tabel Simplex Ketiga ------------------------------------------------------ 56
Tabel 5.4 Tabel Simplex Optimal ---------------------------------------------------- 57
Tabel 5.5 Tabel Simplex Awal Model Minimasi --------------------------------- 60
Tabel 5.6 Simplex Kedua -------------------------------------------------------------- 60
Tabel 5.7 Tabel Simplex Ketiga ------------------------------------------------------ 61
Tabel 5.8 Simplex Optimal ------------------------------------------------------------ 61
Tabel 5.9 Tabel Simplex Optimal ---------------------------------------------------- 63
Tabel 5.10 Tabel Simplex Optimal Alternatif -------------------------------------- 64
Tabel 7.1 Tabel Transportasi ---------------------------------------------------------- 77
Tabel 8.1 Matrik Biaya ----------------------------------------------------------------- 89
Tabel 10.1 Simbol dan Arti Diagram Jaringan ------------------------------------- 110
Tabel 10.2 Ketentuan penyusunan jaringan kerja -------------------------------- 111
Tabel 10.3 Kegiatan dalam Perencanaan Membangun Rumah --------------- 114
Tabel 10.4 Perkiraan Waktu kegiatan dari Gambar 10.8 ------------------------ 112
Tabel 11.1 Hasil Keputusan ------------------------------------------------------------ 124
Tabel 11.2 Hasil Pertukaran untuk investasi perumahan ---------------------- 124

Tabel 11.3 Tabel keputusan Kriteria Maximax ------------------------------------ 125
Tabel 11.4 Tabel Keputusan Kriteria Maximim ----------------------------------- 126
Tabel 11.5 Tabel Keputusan Kriteria maximax Regret -------------------------- 127
Tabel 11.6 Tabel keputusan Kriteria Hurwicz ------------------------------------- 128
Tabel 11.7 Keputusan Kriteria Bobot Yang Sama --------------------------------- 129
Tabel 11.8 Rangkuman Hasil Kriteria ----------------------------------------------- 129
Tabel 11.9 Hasil Pertukaran untuk investasi perumahan ---------------------- 130
Tabel 10.11Tabel Penyesalan ----------------------------------------------------------- 131
Tabel 10.12Hasil Pertukaran untuk investasi perumahan ---------------------- 133

DAFTAR GAMBAR
Gambar 3.1 Koordinat untuk analisis grafik ----------------------------------- 24

Gambar 3.2 a. Grafik dari batasan tenaga kerja ------------------------------- 25
b. Grafik dari batasan untuk tanah liat ------------------------- 25
Gambar 3.3 Grafik dengan daerah batasan ------------------------------------ 26
Gambar 3.4 daerah batasan dari kedua persamaan -------------------------- 27
Gambar 3.5 Daerah Fisible --------------------------------------------------------- 27
Gambar 3.6 Mencari solusi dengan menggunakan persamaan garis
Fungsi tujuan ----------------------------------------------------------- 28
Gambar 3.7 garis bantu digeser menjauhi titik orijin untuk mencari
solusi optimum -------------------------------------------------------- 29
Gambar 3.8 Titik solusi optimum ------------------------------------------------- 29
Gambar 3.9 garis batasan untuk model minimasi ---------------------------- 31
Gambar 3.10 Daerah solusi yang layak ------------------------------------------- 31
Gambar 3.11 Titik solusi optimal --------------------------------------------------- 32
Gambar 4.1 Solusi pada titik-titik A, B, C, dan D ----------------------------- 39
Gambar 5.1 Solusi optimal majemuk model PT XYZ ----------------------- 63
Gambar 7.1 Model transportasi dari sebuah jaringan dengan m sumber
Dan n tujuan ----------------------------------------------------------- 75
Gambar 9.1 Komponen Proses Antrian ----------------------------------------- 98
Gambar 9.2 Kerangka Masalah Antrian ---------------------------------------- 101
Gambar 9.3 Hubungan antara panjang antrian dengan trafic intencity 103
Gambar 10.1 Contoh jaringan kerja ------------------------------------------------ 112
Gambar 10.2 Jaringan pembangunan Rumah dan waktu kegiatan ------- 114
Gambar 10.3 Jaringan pembangunan rumah dan waktu kegiatan yang
Salah ---------------------------------------------------------------------- 114
Gambar 10.4 Jaringan dengan Aktivitas Dummy ----------------------------- 115
Gambar 10.5 Jaringan dengan ET -------------------------------------------------- 117
Gambar 10.6 Jaringan dengan ET dan LT, Anak Panah Tebal
menunjukkan Critical Path ----------------------------------------- 118
Gambar 10.7 Jaringan Dengan Slack, Anak Panah Tebal menunjukkan
Critical Path ------------------------------------------------------------- 120
Gambar 10.8 Jaringan dengan ET, dan LT dan Slack ------------------------- 122
Gambar 10.9 Probalilitas Proyek selesai lebih dari 25 minggu 123

1
PENDAHULUAN
1.1 SEJARAH SINGKAT RISET OPERASI
Kata Riset Operasional pertama sekali digunakan pada perang dunia II.
Perang telah menyebabkan alokasi sumber daya terbatas yang dimiliki
angkatan bersenjata Amerika Serikat dan Inggris menjadi masalah. Berbagai
operasi menggunakan sumber daya terbatas yang sama. Oleh karena itu,
militer Amerika Serikat dan Inggris memanggil para ilmuwan untuk
mengaplikasikan pendekatan ilmiah untuk permasalahan penggunaan
sumber daya terbatas, strategi dan taktik perang lainnya. Tim ilmuwan in
adalah tim riset operasional pertama yang terbentuk. Pekerjaan tim riset
operasional ini telah memenangkan militer Amerika Serikat dan Inggris
dalam perang dunia II.
Setelah kesuksesan tim riset operasional ini, militer Inggris dan

Amerika Serikat melanjutkan mengaktifkan tim riset operasional. Sebagai
hasilnya, tim riset operasional semakin banyak yang disebut dengan “peneliti
operasi militer” yang mengaplikasikan pendekatan riset operasional pada
permasalahan pertahanan nasional. Beberapa teknik yang mereka
kembangkan memasukkan ilmu politik, matematik, ekonomi, teori
probabilitas dan statistik.
Dunia usaha juga berkembang semakin kompleks semakin hari.

Perkembangan dunia usaha ini sangat terlihat dengan jelas setelah revolusi
industri. Industri semakin kompleks, sumber daya yang dimiliki digunakan
untuk berbagai kegiatan atau aktivitas, organisasi industri semakin besar,
dan semua itu sering menggunakan sumber daya yang terbatas. Keterbatasan
sumber daya menyebabkan kepentingan masing-masing aktivitas atau
bagian saling bentrok.
Melihat kesuksesan tim riset operasional pada militer, industri secara

bertahap tertarik menggunakan riset operasional. Sejak tahun 1951, riset
operasional diaplikasikan di Inggris dan juga di Amerika Serikat. Sejak itu
riset operasional memberikan dampak besar pada organisasi manajemen.
Baik jumlah maupun variasi aplikasinya bertumbuh sangat cepat.

Berdasarkan survei yang dilakukan di industri Amerika Serikat
terhadap teknik riset operasional yang banyak digunakan dan bidang yang
banyak menggunakan teknik riset operasional, dihasilkan Tabel 1 dan 2 di
bawah. Tabel 1 menunjukkan peringkat penggunaan teknik riset operasional
pada berbagai perusahaan. Peringkat 1 menunjukkan teknik paling banyak
digunakan. Tabel 2 menunjukkan peringkat bidang yang paling banyak
menggunakan teknik riset operasional dua perusahaan yang disurvei.
Peringkat 1 menunjukkan bidang yang paling banyak menggunakan.
Tabel 1. Peringkat teknik riset operasional/ilmu manajemen

Perusahaan
Teknik Turban Ledbetter Thomas and Forgionne
(1969) and Cox DaCosta (1982)
(1975) (1977)
Analisis keputusan Bayesian - - 9 -
Delphi - - 13.5 -
Pemrograman dinamis 6 6 10 7
Metode keuangan - - 13.5 -
Teori permainan - 7 - 8
Pemrogram heuristik 8.5 - 8 -
Pemrograman integer dan - - 12 -
campuran
Teori inventori 4 - 5 -
Pemrograman linear 3 2 3 4
Model jaringan - 4 - -
Pemrograman non linear 7 - 7 6
PERT/CPM 5 - 4 3
Analisis resiko - - 11 -
Teori antrian 8.5 5 6 5
Simulasi 2 3 2 2
Analisis statistik 1 1 1 1
Sumber : Hillier dan Lieberman, 1991.

Tabel 2. Peringkat bidang yang mengaplikasikan riset operasional/il
mu manajemen
Bidang Thomas and DaCosta Forgionne

(1977) (1982)
Akunting 11 5
Penelitian periklanan dan penjualan 8 -
Penganggaran modal 4 2
Penggantian peralatan 9 -
Peramalan – perencanaan pasar 1 6
Pengontrolan inventori 2.5 4
Perawatan 10 9
Pengemasan 12 -
Manajemen sumber daya manusia - 10
Pengalokasian pabrik 6 8
Perencanaan dan penjadwalan 2.5 3
produksi
Perencanaan proyek - 1
Pengawasan mutu 7 7
transportasi 5 -
Paling sedikit ada dua faktor lainnya yang turut berkontribusi dalam
pengembangan riset operasional. Pertama adalah kemajuan mendasar yang
dibuat di awal dalam pengembangan teknik yagn ada terhadap riset
operasional. Setelah perang, banyak ilmuwan yang berpartisipasi dalam tim
riset operasional atau yang mendengarkan keberhasilan tim termotivasi
untuk melanjutkan penelitian relevan terhadap suatu bidang, yang
menunjukkan pengembangan penting dari sudut seni yang dihasilkan. Salah
satu contoh paling penting adalah ditemukannya metode simpleks untuk
menyelesaikan permasalahan pemrograman linear oleh George Dantzig
tahun 1947. Banyak teknik riset operasional, seperti pemrograman linear,
pemrograman dinamis, teori antrian dan teori inventori telah dikembangkan
dengan baik di akhir tahuan 1950-an.
Faktor kedua adalah perkembangan teknologi komputer. Perhitungan

kompleks sering harus dilakukan untuk permasalahan kompleks. Jika
dilakukan dengan tangan (secara manual) sering menjadi masalah dan
bahkan sering tidak mungkin dilakukan. Pengembangan komputer digital
elektronik dengan kemampuan melakukan perhitungan aritmetik tinggi telah
memberikan penyelesian yang ribuan atau jutaan kali lebih cepat daripada
yang bisa manusia lakukan dengan tangan.

1.2 ILMU DAN SENI RISET OPERASI
Riset Operasi adalah suatu teknik pemecahan masalah yang berusaha

menetapkan arah tindakan terbaik (optimum) dari suatu masalah keputusan
dalam kondisi sumber daya yang terbatas.
Istilah RO seringkali diasosiasikan hampir secara ekslusif dengan

penggunaan teknik-teknik matematika untuk membuat model dan
menganalisis masalah keputusan. Walaupun teknik dan model matematis
merupakan inti dari RO, akan tetapi pemecahan masalah tidaklah hanya
sekedar pengembangan dan pemecahan model-model matematis.
Secara khusus, masalah-masalah keputusan biasanya mencakup

faktor-faktor penting yang tidak terwujud (intagible) dan dapat diterjemahkan
secara langsung dalam bentuk model matematis. Faktor yang paling utama
dari faktor-faktor tersebut adalah kehadiran unsur manusia sebagai si pengambil
keputusan.
Sebagai sebuah teknik pemecahan masalah, riset operasi dapat

dipandang sebagai seni dan ilmu. Aspek ilmu terletak pada penyediaan
teknik-teknik matematik dan algoritma untuk memecahkan masalah yang
dihadapi; sedangkan sebagai seni, keberhasilan dari solusi model matematis
ini sangat bergantung pada kreativitas dan kemampuan seseorang sebagai
pengambil keputusan dalam memecahkan masalah tersebut. Jadi
pengumpulan data untuk pengembangan model, penentuan keabsahan
model, dan penerapan dari pemecahan yang diperoleh akan bergantung
pada kemampuan kelompok peneliti RO yang bersangkutan untuk
membentuk komunikasi yang baik dengan sumber-sumber informasi
maupun dengan individu-individu yang bertanggung jawab atas solusi yang
disarankan.
1.3 TAHAPAN STUDI RISET OPERASIONAL
Penyelesaian permasalahan keputusan tidak dapat diselesaikan

sendiri oleh seorang ahli Riset Operasional (RO). Permasalahan keputusan
diselesaikan oleh tim yang dapat terdiri dari bagian yang
mengimplementasikan solusi RO. Tahapan utama dalam studi RO adalah:
1. Identifikasi permasalahan.

2. Pembangunan model.
3. Penyelesaian model.
4. Validasi model.
5. Implementasi hasil akhir.
Kegiatan yang dilakukan pada tahap pertama terdiri dari penentuan

tujuan optimasi, identifikasi alternatif keputusan dan sumber daya yang
membatasi kegiatan atau aktifitas untuk mencapai tujuan. Tahapan ini akan
dilakukan secara bersama-sama antara analis RO dengan pengguna atau
pengambil keputusan. Jika identifikasi permasalahan sudah jelas dan
lengkap, model keputusan dapat dibangun. Model yang paling tepat harus
digunakan, karena kesalahan pembentukan model akan mengakibatkan
kesalahan pencapaian solusi optimum. Tahapan ini akan dikerjakan sendiri
oleh analis RO. Pemilihan model juga akan didasarkan pada waktu dan biaya
yang tersedia.
Tahapan penyelesaian model dilakukan dengan memilih salah satu

teknik yang tersedia di RO. Penyelesaian dapat dilakukan menggunakan
perangkat lunak komputer karena cukup tersedia perangkat lunak dengan
berbagai kemampuan di pasaran. Untuk model yang sederhana tentunya
dengan mudah dapat diselesaikan secara manual dengan atau tanpa bantuan
kalkulator.
Model dinyatakan valid jika dapat memberikan prediksi yang masuk

akal akan kinerja sistem. Metode umum yang digunakan untuk memeriksa
validitas model adalah membandingkan solusi yang diperoleh dengan data
lalu yang tersedia dari sistem nyata. Model dikatakan valid jika pada kondisi
input yang sama dengan sistem nyata menghasilkan kinerja sistem yang
sama dengan sistem nyata.
Tahap terakhir merupakan implementasi. Tahapan ini mencakup

penerjemahan solusi optimal yang diperoleh pada tahap penyelesaian model
ke dalam instruksi operasional yang dapat dimengerti oleh individu yang
menjalankan sistem.
1.4 KOMPONEN-KOMPONEN DARI SEBUAH MODEL KEPUTUSAN
Munculnya persoalan-persoalan keputusan adalah karena seorang

pengambil keputusan sering dihadapkan pada beberapa pilihan tindakan
yang harus dilakukan.

Dalam menyelesaikan suatu permasalahan yang berkaitan dengan
pengambilan keputusan ini, yang terlebih dahulu harus diidentifikasi adalah
komponenkomponen utamanya, yaitu:
1. Tujuan (Objective).
2. Variabel-variabel.
Tujuan adalah hasil akhir yang hendak dicapai yang dilakukan

dengan cara memilih suatu tindakan yang paling tepat dari suatu sistem
(permasalahan) yang dipelajari. Dalam bidang bisnis (atau perusahaan),
misalnya, tujuan diartikan sebagai usaha untuk memaksimumkan profit atau
meminimumkan biaya atau ongkos yang harus dikeluarkan. Akan tetapi
dalam bidang-bidang lain yang sifatnya non profit, tujuan tersebut dapat
berupa pemberian kualitas pelayanan kepada para langganan.
Ketika tujuan telah didefinisikan, tahap selanjutnya yang harus

dilakukan adalah pemilihan tindakan terbaik yang dapat mencapai tujuan tersebut.
Dalam hal ini, kualitas pemilihan tindakan tersebut akan sangat bergantung
pada apakah si pengambil keputusan mengetahui seluruh alternatif tindakan atau
tidak.
Untuk dapat menentukan tindakan-tindakan yang mungkin

dilakukan, haruslah diidentifikasi variabel-variabel sistem yang dapat
dikendalikan oleh pengambil keputusan. Tentu saja tingkat keberhasilan
dalam mengidentifikasi variable-variabel ini pun akan sangat bergantung
pada kemampuan si pengambil keputusan.
1.5 MODEL DALAM RISET OPERASI
Model adalah gambaran ideal dari suatu situasi (dunia) nyata,

sehingga sifatnya yang kompleks dapat disederhanakan. Jenis-jenis model
yang biasa digunakan:
a. Model-model ikonis/fisik
Penggambaran fisik dari suatu sistem, baik dalam bentuk ideal maupun
dalam skala yang berbeda. Contoh: foto, peta, mainan anak-anak, maket,
histogram.

b. Model analog/diagramatis
Model-model ini dapat menggambarkan situasi-situasi yang dinamis, dan
lebih banyak digunakan daripada model-model ikonis karena sifatnya
yang dapat dijadikan analogi bagi karakteristik sesuatu yang dipelajari.
Contoh: kurva distribusi frekuensi pada statistik, flow chart, peta dengan
bermacam-macam warna untuk menggambarkan kondisi sebenarnya.
c. Model simbolis/matematika
Penggambaran dunia nyata melalui simbol-simbol matematis. Model ini
menggunakan seperangkat simbol matematik untuk menunjukkan
komponen-komponen dari sistem nyata. Namun demikian, sistem nyata
tidak selalu dapat diekspresikan dalam rumusan matematik.
Contoh: persamaan garis lurus y = ax + b; z=x1+x2+x3
Model matematik dapat dibedakan menjadi dua kelompok, yaitu:
deterministik dan probabilistik. Model deterministik dibentuk dalam
situasi penuh kepastian, sedangkan model probabilistik meliputi kasus-
kasus dimana diasumsikan penuh ketidakpastian.
d. Model simulasi
Model-model yang meniru tingkah laku sistem dengan mempelajari
interaksi komponen-komponennya. Karena tidak memerlukan fungsi-
fungsi matematis secara eksplisit untuk merealisasikan variabel-variabel
sistem, maka model-model simulasi ini dapat digunakan untuk
memecahkan sistem kompleks yang tidak dapat diselesaikan secara
matematis. Akan tetapi, model-model ini tidak dapat memberikan solusi
yang benar-benar optimum.
e. Model heuristik
Kadang-kadang formulasi matematis bersifat sangat kompleks untuk
dapat memberikan suatu solusi yang pasti, atau mungkin suatu solusi
optimum dapat diperoleh, akan tetapi memerlukan proses perhitungan
yang sangat panjang dan tidak praktis. Untuk mengatasi kasus seperti ini
dapat digunakan metode heuristik, yaitu suatu metode pencarian yang
didasarkan atas intuisi atau aturan-aturan empiris untuk memperoleh
solusi yang lebih baik daripada solusi-solusi yang telah dipelajari
sebelumnya.
Pembentukan model adalah esensi dari pendekatan RO karena solusi

dari pendekatan ini tergantung pada ketepatan model yang dibuat. Dalam
RO, model yang paling banyak digunakan adalah model

matematis/simbolis, disamping banyak juga digunakan model-model
simulasi dan heuristik.
1.6 METODOLOGI RISET OPERASI
Pembentukan model yang cocok hanyalah salah satu tahap dari

aplikasi RO. Pola dasar penerapan RO terhadap suatu masalah dapat
dipisahkan menjadi beberapa tahap. Berikut adalah langkah-langkah
(metodologi) untuk memecahkan persoalan dalam organisasi.
1. Merumuskan Masalah
Sebelum solusi terhadap suatu permasalahan dipikirkan, pertama kali
yang harus dilakukan adalah mendefinisikan atau merumuskan
permasalahan dengan baik. Definisi masalah yang tidak baik akan
menyebabkan tidak diperoleh penyelesaian atas suatu masalah atau
penyelesaian yang tidak tepat.
Dalam perumusan masalah ini ada tiga pertanyaan penting yang harus
dijawab:
a. Variabel keputusan, yaitu unsur-unsur dalam persoalan yang dapat
dikendalikan oleh pengambil keputusan. Ia sering disebut sebagai
instrumen.
b. Tujuan. Penetapan tujuan membantu pengambil keputusan
memusatkan perhatian pada persoalan dan pengaruhnya terhadap
organisasi. Tujuan ini diekspresikan dalam variabel keputusan.
c. Kendala adalah pembatas-pembatas terhadap alternatif tindakan yang
tersedia.
2. Pembentukan Model
Sesuai dengan definisi permasalahannya, kelompok peneliti RO tersebut
harus menentukan model yang paling cocok untuk mewakili sistem yang
bersangkutan. Model tersebut harus merupakan ekspresi kuantitatif dari
tujuan dan batasan-batasan persoalan dalam bentuk variabel keputusan.
Dalam memformulasikan permasalahan, biasanya digunakan model

analitik, yaitu model matematik yang menghasilkan persamaan. Jika pada
suatu situasi yang sangat rumit tidak diperoleh model analitik, maka
perlu dikembangkan suatu model simulasi.

3. Pemecahan Model
Pada tahap ini, bermacam-macam teknik dan metode solusi kuantitatif
yang merupakan bagian utama dari RO memasuki proses. Penyelesaian
masalah sesungguhnya merupakan penerapan satu atau lebih teknik-
teknik ini terhadap model. Seringkali, solusi terhadap model berarti nilai-
nilai variable keputusan yang mengoptimumkan salah satu fungsi tujuan
dengan nilai fungsi tujuan lain yang dapat diterima.
Disamping solusi model, perlu juga mendapat informasi tambahan

mengenai tingkah laku solusi yang disebabkan karena perubahan
parameter sistem. Ini biasanya dinamakan sebagai Analisis Sensitivitas.
Analisis ini terutama diperlukan jika parameter sistem tak dapat diduga
secara tepat.
4. Validasi Model
Sebuah model adalah absah jika, walaupun tidak secara pasti mewakili
system tersebut, dan dapat memberikan prediksi yang wajar dari kinerja
system tersebut. Suatu metode yang biasa digunakan untuk menguji
validitas model adalah dengan membandingkan kinerjanya dengan data
masa lalu yang tersedia. Model dikatakan valid jika dengan kondisi input
yang serupa dapat menghasilkan kembali kinerja seperti masa lampau.
Masalahnya adalah bahwa tidak ada yang menjamin kinerja masa depan
akan berlanjut meniru cerita lama.
5. Implementasi hasil akhir

Tahap terakhir adalah menerapkan hasil model yang telah diuji. Hal ini
membutuhkan suatu penjelasan yang hati-hati tentang solusi yang
digunakan dan hubungannya dengan realitas. Suatu hal yang kritis pada
tahap ini adalah mempertemukan ahli RO dengan mereka yang
bertanggung jawab terhadap pelaksanaan sistem.
Penyelesaian kelima langkah yang dijelaskan di atas bukan berarti

proses ini telah selesai. Hasil model dan keputusan hasil yang tersedia
memberikan umpan balik pada model awal.
1.7 METODE-METODE UMUM MENCARI SOLUSI
Pada umumnya, terdapat tiga metode untuk mencari solusi terhadap

model RO, yaitu: 1) metode analitis, 2) metode numerik, dan 3) metode Monte
Carlo.

Pendekatan analitik. Metode analitik memerlukan perwujudan model
dengan solusi grafik atau perhitungan matematik. Jenis matematik yang
digunakan tergantung dari sifat-sifat model. Misalkan fungsi matematik
diselesaikan melalui penggunaan integral kalkulus.
Pendekatan Numerik. Metode numerik berhubungan dengan

perulangan atau coba-coba dari prosedur-prosedur kesalahan, melalui
perhitungan numerik pada setiap tahap. Metode numerik digunakan jika
metode analitik gagal untuk mencari solusi. Urutannya dimulai dengan
solusi awal dan diteruskan dengan seperangkat aturan-aturan untuk
perbaikan menuju optimum. Solusi awal kemudian diganti dengan solusi
yang diperbaiki dan proses itu diulang sampai tidak mungkin adanya
perbaikan lagi atau biaya perhitungan lebih lanjut tidak dapat diterima.
Metode Monte Carlo. Metode ini memerlukan konsep probabilistik

dan sampling. Metode Monte-Carlo pada dasarnya adalah suatu teknik
simulasi dimana fungsi distribusi statistik dibuat melalui seperangkat
bilangan random.
1.8 TEKNIK-TEKNIK RISET OPERASI
Banyak model RO yang sudah dikembangkan dan digunakan

terhadap permasalahan-permasalahan bidang bisnis. Mereka itu dapat
dikelompokkan ke dalam beberapa jenis, seperti dapat dilihat pada tabel
berikut:
Program Linier Matematika

Model Program Linier
Analisis Grafik
Metode Simplex
Model Minimasi
Post Optimasi
Transportasi dan Penugasan
Program Linier Integer
Program Linier Sasaran
Teknik Probabilistik Probabilitas
Teori Permainan
Analisis Keputusan
Analisis Markov
Antrian
Simulasi
Peramalan
Teknik Persediaan Permintaan pasti
Permintaan tak pasti
Teknik Jaringan Arus Jaringan
STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si
CPM/PERT 18
Teknik Non-Linier lainnya Program Dinamis
Analisis Titik Impas
Teknik Solusi berdasarkan Kalkulus
Program Linier Matematika Model Program Linier
Analisis Grafik
Metode Simplex
Model Minimasi
Post Optimasi
Transportasi dan Penugasan
Program Linier Integer
Program Linier Sasaran
Teknik Probabilistik Probabilitas
Teori Permainan
Analisis Keputusan
Analisis Markov
Antrian
Simulasi
Peramalan
Teknik Persediaan Permintaan pasti
Permintaan tak pasti
Teknik Jaringan Arus Jaringan
CPM/PERT
Teknik Non-Linier lainnya Program Dinamis
Analisis Titik Impas
Teknik Solusi berdasarkan Kalkulus
1.9 CIRI-CIRI RISET OPERASI
Terdapat beberapa ciri Riset Operasi yang menonjol diantaranya

adalah:
1. Riset Operasi merupakan pendekatan kelompok antar disiplin untuk mencari

hasil optimum.
2. Riset Operasi menggunakan teknik penelitian ilmiah untuk mendapatkan
solusi optimum.
3. Riset Operasi membuka permasalahan-permasalahan baru untuk dipelajari.
1.10 KETERBATASAN RISET OPERASI
Riset Operasi berbeda dengan optimisasi klasik (kalkulus klasik).

Dalam metode optimisasi klasik tidak dapat menangani kendala
pertidaksamaan maupun persamaan secara serempak.

Dengan kendala yang lebih bebas ini, metoda optimisasi non klasik ini
(RO) menjadi lebih menarik dan lebih realistis. Akan tetapi ini membutuhkan
metode solusi yang baru karena kendala pertidaksamaan tak dapat ditangani
dengan teknik kalkulus klasik.
Seperti metode lainnya, Riset Operasi bukan tanpa kelemahan.

Beberapa kelemahan dalam Riset Operasi diantaranya adalah:
a. Perumusan masalah dalam suatu program Riset Operasi adalah suatu

tugas yang sulit.
b. Jika suatu organisasi mempunyai beberapa tujuan yang bertentangan,
maka akan mengakibatkan terjadinya sub-optimum, yaitu kondisi yang tak
dapat menolong seluruh organisasi mencapai yang terbaik secara
serentak.
c. Suatu hubungan non-linier yang diubah menjadi linier untuk disesuaikan
dengan program linier dapat mengganggu solusi yang disarankan.

2
PROGRAMA LINIER
2.1 PENDAHULUAN
Masalah keputusan yang sering dihadapi seorang manajer perusahaan

adalah permasalahan optimasi alokasi sumber daya yang langka dan
terbatas.
Sumber daya tersebut dapat berupa bahan baku, peralatan dan mesin,
ruang, waktu, dana, dan tenaga kerja; atau dapat juga berupa batasan
pedoman atau aturan, seperti resep untuk membuat kue atau spesifikasi
teknis suatu peralatan.
Pada umumnya tujuan perusahaan yang paling sering terjadi adalah

sedapat mungkin memaksimumkan laba. Tujuan lain dari unit organisasi
yang merupakan bagian dari suatu organisasi biasanya berupa
meminimumkan biaya.
Salah satu metoda analisis yang paling luas dan paling baik digunakan
untuk menyelesaikan permasalahan alokasi sumber daya adalah metoda
programa linier atau dikenal dengan Linear Programming.
Terdapat tiga hal yang harus diperhatikan untuk menggunakan teknik

programa linier untuk memecahkan permasalahan alokasi sumber daya.
1. Pertama, permasalahan harus dapat diidentifikasikan sebagai sesuatu

yang dapat diselesaikan dengan programa linier.
2. Kedua, permasalahan yang tidak terstruktur harus dapat dirumuskan
dengan model matematika, sehingga menjadi terstruktur.
3. Ketiga, model harus diselesaikan dengan teknik matematika yang telah
dibuat.
Teknik programa linier menggambarkan bahwa hubungan fungsi linier

dalam model matematika adalah linier dan teknik pemecahan masalah terdiri dari
langkah-langkah matematika yang telah ditetapkan disebut program. Dengan kata
lain, sifat ’linier’ di sini memberi arti bahwa seluruh fungsi matematis dalam

model ini merupakan fungsi yang linier, sedangkan kata program dapat
diartikan sebagai perencanaan. Model program linier terdiri dari komponen
dan karakteristik tertentu.
2.2 FORMULASI MODEL PROGRAMA LINIER
Setelah masalah diidentifikasi, tujuan ditetapkan, langkah selanjutnya

adalah memformulasikan model matematik yang meliputi tiga hal berikut:
1. Menentukan variabel keputusan,

2. Membentuk fungsi tujuan, dan
3. Menentukan semua batasan model.
1. Variabel keputusan
Variabel keputusan berupa simbol matematik yang menggambarkan
tingkatan aktivitas perusahaan.
Contoh
Perusahaan elektronika ingin menjual sebanyak x1 buah radio, x2 buah
televisi, dan x3 buah lemari es, dimana x1, x2, dan x3 adalah lambang
yang menunjukkan jumlah variabel setiap item yang tidak diketahui.
Nilai akhir dari x1, x2, dan x3 sesuai dengan pengarahan perusahaan, dan
merupakan keputusan.
2. Fungsi Tujuan
Fungsi Tujuan merupakan hubungan matematika linier yang menjelaskan
fungsi tujuan dalam terminologi variabel keputusan. Fungsi tujuan selalu
mempunyai salah satu target, yaitu memaksimumkan atau
meminimumkan suatu nilai (misalkan untuk kasus perusahaan adalah
memaksimumkan laba atau meminimumkan biaya produksi).
3. Batasan Model
Batasan Model merupakan hubungan linier dari variabel-variabel
keputusan, menunjukkan keterbatasan sumber daya permasalahan
tersebut.
Contoh
Besarnya biaya maksimum yang dikeluarkan oleh PT. Maju Mundur
untuk kegiatan pemasaran pada tahun ini adalah Rp 15.000.000,00.
Tenaga kerja yang tersedia untuk memproduksi kue dan roti di
perusahaan ini hanya 100 jam tenaga kerja per minggu.

Berikut adalah contoh memformulasikan model programa linier.
Ilustrasi 2.1: Kombinasi Produk
Perusahaan Tembikar PT. XYZ memproduksi dua macam produk

setiap hari, yaitu 1) mangkok dan 2) cangkir. Perusahaan mempunyai 2 (dua)
sumber daya yang terbatas jumlahnya yang digunakan untuk memproduksi
kedua produk tersebut, yaitu 1) tenaga kerja dan 2) tanah liat. Dengan
keterbatasan sumber daya yang dimilikinya, perusahaan ingin mengetahui
berapa jumlah mangkok dan cangkir yang akan diproduksi setiap harinya
dalam rangka memaksimumkan laba. Kedua produk tersebut mempunyai
kebutuhan sumber daya untuk produksi serta laba per item sebagai berikut:
Kebutuhan Sumber Daya

Produk Tenaga Kerja Tanah liat Laba
(jam/unit) (kg/unit) (Rp/unit)
Mangkok 1 4 4
Cangkir 2 3 5
Kebutuhan Sumber Daya
Produk Tenaga Kerja Tanah liat Laba
Mangkok 1 4 4
Cangkir 2 3 5
Sebagai tambahan informasi: tersedia 40 jam tenaga kerja dan 120 kg

tanah liat setiap hari untuk produksi.
Masalah ini akan dirumuskan sebagai model program linier dengan

mendefinisikan secara terpisah setiap komponen model dan menggabungkan
komponen-komponen tersebut dalam satu model.
Formulasi Model untuk Ilustrasi 1: Kombinasi Produk
1. Mengenali variabel keputusan

Keputusan yang dihadapi manajemen dalam masalah ini adalah
berapa jumlah mangkok dan jumlah cangkir yang harus diproduksi setiap
hari. Ada dua variable keputusan yang dicari, jumlah mangkok dan jumlah
cangkir. Untuk itu, kita dapat menyatakannya dengan memisalkan bahwa x1
menyatakan jumlah mangkok dan x2 adalah jumlah cangkir yang diproduksi
setiap hari.

x1 = jumlah mangkok yang diproduksi
x2 = jumlah cangkir yang diproduksi
2. Memformulasikan fungsi tujuan

Tujuan perusahaan adalah ingin memaksimumkan laba. Laba
perusahaan adalah jumlah total dari laba setiap mangkok dan cangkir. Laba
dari mangkok ditentukan oleh perkalian antara laba setiap mangkok, Rp
4/unit, dengan jumlah mangkok yang diproduksi, yaitu x1.
Begitu pula dengan laba dari cangkir ditentukan oleh perkalian antara
laba setiap cangkir, Rp 5/unit, dengan jumlah cangkir yang diproduksi, x2.
Dengan demikian, total laba adalah dalam pemodelan ini

dilambangkan dengan Z, dapat dijelaskan secara matematika sebagai berikut.
Z = Rp (4x1+5 x2).
Dengan menempatkan terminologi memaksimumkan laba di depan

fungsi laba, maka penggambaran tujuan perusahaan → untuk
memaksimumkan laba sebagai berikut:
memaksimumkan Z = 4x1+5 x2
dimana Z = total laba tiap hari

4x1 = laba dari mangkok (dalam Rp)
5x2 = laba dari cangkir (dalam Rp)
3. Menetapkan batasan model

Dari masalah di atas, terdapat 2 (dua) sumber daya yang digunakan
dalam produksi, yaitu tenaga kerja dan tanah liat yang jumlah persediaan
keduanya terbatas. Produksi mangkok dan cangkir memerlukan kedua
sumber daya, baik tenaga kerja dan tanah liat.
Batasan Tenaga Kerja

• Untuk setiap mangkok yang diproduksi memerlukan 1 jam tenaga kerja,
sehingga jam tenaga kerja yang diperlukan untuk memproduksi semua
mangkok adalah 1x1.
• Untuk setiap cangkir yang diproduksi memerlukan 2 jam tenaga kerja,
sehingga jam tenaga kerja yang diperlukan untuk memproduksi semua
cangkir adalah 2x2.

• Total tenaga kerja yang digunakan oleh perusahaan adalah penjumlahan
dari tenaga kerja yang digunakan oleh setiap produk, yaitu: 1x1 + 2x2
• Akan tetapi jumlah tenaga kerja sebesar 1x1 + 2x2 dibatasi sampai dengan
40 jam per hari (jumlah jam maksimum tenaga kerja yang dimiliki
perusahaan), sehingga batasan tenaga kerja sekarang 1x1 + 2x2 ≤ 40 jam.
• Ketidaksamaan atau ‘kurang dari atau sama dengan’ (≤) digunakan
dalam model ini, bukan persamaan (=), karena 40 jam tenaga kerja adalah
maksimum sumber daya yang dapat digunakan, dan bukan jumlah yang
harus digunakan.
• Batasan ini mempunyai fleksibilitas. Artinya perusahaan tidak diharuskan
menggunakan semua kapasitas 40 jam, akan tetapi dapat menggunakan
jumlah masukan ke produksi yang dapat memaksimumkan laba sampai
dengan dan termasuk 40 jam tenaga kerja. Berarti perusahaan mungkin
saja mempunyai kapasitas yang tidak terpakai (misalnya sebagian waktu
dari 40 jam yang tidak digunakan oleh perusahaan).
Batasan Tanah Liat

• Batasan untuk tanah liat dirumuskan sama dengan batasan tenaga kerja.
• Karena setiap mangkok yang diproduksi memerlukan 4 kg tanah liat,
maka jumlah tanah liat yang diperlukan untuk memproduksi semua
mangkok adalah 4x1.
• Karena setiap cangkir yang diproduksi memerlukan 3 kg tanah liat, maka
jumlah tanah liat yang diperlukan untuk memproduksi semua cangkir
adalah 3x2.
• Total tanah liat yang digunakan oleh perusahaan adalah penjumlahan
dari tanah liat yang digunakan oleh setiap produk, yaitu: 4x1 + 3x2.
• Akan tetapi jumlah tanah sebesar 4x1 + 3x2 dibatasi sampai dengan 120 kg
per hari, sehingga batasan tanah liat menjadi: 4x1 + 3x2 ≤ 120 kg
Batasan yang non negatif.

• Batasan akhir adalah bahwa jumlah mangkok dan jumlah cangkir yang
diproduksi bernilai nol atau positif, karena tidak mungkin mempunyai
jumlah produksi yang negatif.
• Batasan ini disebut batasan non negatif dan dinyatakan dalam
matematika sebagai berikut:
x1 ≥ 0 , x2 ≥ 0
Dengan demikian, maka FORMULASI MODEL PROGRAM LINIER

yang lengkap untuk masalah ini adalah:
Memaksimumkan Z = 4x1+5 x2

terbatas pada
1x1 + 2x2 ≤ 40
4x1 + 3x2 ≤ 120
x1 , x2 ≥ 0
2.3 KARAKTERISTIK MASALAH PROGRAMA LINIER
Model program linier mempunyai karakteristik umum tertentu,

diantaranya:
1. Mencakup tujuan yang akan dicapai oleh pengambil keputusan. Tujuan yang
seringkali terjadi dalam dunia usaha adalah memaksimumkan laba atau
meminimumkan biaya.
2. Masalah program linier memerlukan pilihan antara beberapa pilihan tindakan.
Keputusan diwakili di dalam model sebagai variabel keputusan. Pilihan
yang biasa dari dunia usaha adalah menentukan beberapa banyak suatu
produk yang berbeda-beda akan diproduksi.
3. Terdapatnya batasan-batasan, membuat pencapaian fungsi tujuan yang
tidak terbatas tidak dapat terjadi. Dalam dunia usaha, batasan-batasan
seringkali dalam bentuk sumber daya yang terbatas. Tujuan dan batasan
harus dapat didefinisikan dalam hubungan fungsi yang linier.
2.4 SIFAT MODEL PROGRAMA LINIER
Selain terdapat hubungan linier, model program linier juga

mempunyai beberapa sifat yang lain.
a. Linieritas dan Penambahan (Additivity)

Syarat utama dari Programa Linier adalah bahwa fungsi tujuan dan
semua batasan harus linier. Kata linier secara tidak langsung mengatakan
bahwa hubungannya proporsional yang berarti bahwa kontribusi setiap
variable keputusan terhadap fungsi tujuan adalah sebanding dengan nilai
variable keputusan.
PL juga mengisyaratkan bahwa jumlah variabel kriteria dan jumlah penggunaan

sumber daya harus bersifat penambahan.
Kontribusi setiap variabel keputusan terhadap fungsi tujuan bersifat tidak

bergantung pada nilai variabel keputusan yang lain dan kontribusi suatu

variable keputusan terhadap ruas kiri dari setiap pembatas bersifat tidak
bergantung pada nilai variabel keputusan yang lain.
b. Pembagian (Divisibility)
Dalam persoalan prgram linier, variabel keputusan boleh diasumsikan
berupa bilangan pecahan.
c. Deterministik (Kepastian)
Setiap parameter model, yaitu koefisien fungsi tujuan, ruas kanan, dan
koefisien teknologis, diasumsikan dapat diketahui secara pasti.
Ilustrasi 2.2: Formulasi Model Kasus Minimasi
Perusahaan PT. ABC memproduksi campuran ”kue” dengan sekali

produksi adalah 1000 kg. Campuran ”kue” tersebut terbuat dari tiga bahan,
yaitu: 1) daging ayam, 2) daging sapi, dan 3) cereal dengan harga masing-
masing bahan adalah sebagai berikut:
Bahan Biaya per kg (Rupiah)

Daging ayam 3.000
Dagingn sapi 5.000
Cereal 2.000
Berdasarkan resep yang ada, campuran ”kue” tersebut harus terdiri

dari paling sedikit 200 kg daging ayam, paling sedikit 400 kg daging sapi,
dan tidak lebih dari 300 kg cereal.
Perusahaan ingin mengetahui pencampuran optimal dari bahan-bahan

yang dapat meminimumkan biaya. Formulasikan model program linier
untuk masalah ini.
Langkah 1: Mengenali variabel keputusan

Untuk mengidentifikasi setiap bagian dari model secara terpisah,
mulai dengan variabel keputusan. (variabel keputusannya adalah ingin
mengetahui banyaknya masing-masing bahan campuran ”kue”).
x1 = jumlah kg daging ayam
x2 = jumlah kg daging sapi
x3 = jumlah kg cereal

Langkah 2: Memformulasikan fungsi tujuan
Tujuan perusahaan adalah ingin meminimumkan biaya, sehingga
fungsi tujuannya adalah:
Meminimumkan Z = Rp (3.000 x1 + 5.000 x2 + 2.000 x3)

dimana
Z = biaya per 1000 kg batch (sekali produksi)
3.000 x1 = biaya daging ayam.
5.000 x2 = biaya daging sapi.
2.000 x3 = biaya cereal.
Langkah 3: Menetapkan batasan model.

Batasan-batasan masalah ini terdapat dalam batasan resep dan fakta
bahwa setiap sekali produksi harus berisi 1000 kg campuran.
x1 + x2 + x3 = 1000 (sekali produksi sama dengan 1000 kg)

x1 ≥ 200 (paling sedikit 200 kg)
x2 ≥ 400 (paling sedikit 400 kg)
x3 ≤ 300 (tidak boleh lebih dari 300 kg)
dan
Batasan non-negativitas x1, x2 , x3 ≥ 0 (batasan non negatif)
Dengan demikian formulasi model tersebut menjadi:
Meminimumkan Z = 3x1 + 5x2 + 2x3

terbatas pada
x1 + x2 + x3 = 1000
x1 ≥ 200
x2 ≥ 400
x3 ≤ 300
x1, x2 , x3 ≥ 0
Latihan
1. Perusahaan ABCD akan memproduksi dua macam benda, yaitu Produk I
dan Produk II. Untuk memproduksi setiap unit produk I diperlukan
bahan baku A sebanyak 40 kg dan bahan baku B sebanyak 25 kg serta
bahan baku C sebanyak 80 kg. Sedangkan untuk memproduksi setiap unit
produk II diperlukan bahan baku A sebanyak 30 kg dan bahan baku B
sebanyak 40 kg serta bahan baku C sebanyak 50 kg. Jumlah bahan baku
yang disediakan perusahaan masing-masing adalah bahan baku A
sebanyak 3000 kg dan bahan baku B sebanyak 1500 kg serta bahan baku C

sebanyak 3600 kg. Sumbangan terhadap laba dan biaya tetap (yang
dihitung dengan harga jual persatuan dikurangi biaya variabel per
satuan) setiap unit produk I sebesar Rp 150,00 dan setiap unit produk II
Rp 120,00.
Buat Formulasi Model dari permasalahan di atas. Agar masalah dapat

dipahami
a. Susunlah dalam bentuk tabel berikut.
Kebutuhan Bahan Baku/unit
Bahan Baku Kapasitas
Produk I Produk II
A
B
C
Laba
b. Mengenali variabel keputusan

c. Memformulasikan fungsi tujuan
d. Menetapkan batasan model
e. Formulasi Modelnya adalah
2. Sebuah perusahaan ingin menentukan berapa banyak masing-masing dari

tiga produk yang berbeda yang akan dihasilkan dengan tersedianya
sumber daya yang terbatas agar diperoleh keuntungan maksimum.
Kebutuhan tenaga kerja dan bahan baku serta sumbangan keuntungan
masing-masing produk adalah sebagai berikut:
Kebutuhan sumber daya

Tenaga kerja Bahan Keuntungan
Produk 1 5 4 3
Produk 2 2 6 5
Produk 3 4 3 2
Tersedia 240 jam kerja dan bahan mentah sebanyak 400 kg. Buat formulasi
model program linier untuk permasalahan ini!
3. Perusahaan makanan ternak merencanakan untuk membuat dua jenis

makanan yaitu makanan A dan makanan B. Kedua jenis makanan tersebut
mengandung vitamin dan protein. Makanan A paling sedikit diproduksi 2
unit dan makanan B paling sedikit diproduksi 1 unit.

Kebutuhan sumber daya
Jenis Makanan Vitamin (unit) Protein (unit) Biaya per unit
(x Rp 1000)
Makanan A 2 2 100
Makanan B 1 3 80
Minimum 8 12
Kebutuhan
Buat formulasikan model programa linier tersebut!
3
TEKNIK PEMECAHAN
PROGRAMA LINIER (SOLUSI GRAFIK)
3.1 PENDAHULUAN
Pada dasarnya, metode-metode yang dikembangkan untuk
memecahkan model Programa linier adalah ditujukan untuk mencari solusi
dari beberapa pilihan solusi yang dibentuk oleh persamaan pembatas,
sehingga diperoleh nilai fungsi tujuan yang optimum.
Ada dua cara yang biasa digunakan untuk menyelesaikan persoalan-

persoalan Programa Linier (PL), yaitu dengan 1) metode grafik dan 2) metode
simpleks.

3.2 SOLUSI GRAFIK
Persoalan Programa Linier dapat diilustrasikan dan dipecahkan secara

grafik jika persoalan ini hanya memiliki dua variabel keputusan.
Model Programa Linier dengan tiga variabel penggambarannya sangat

sulit, sedangkan untuk model yang lebih dari tiga variabel tidak bisa dibuat
grafik sama sekali.
Meskipun permasalahan dengan dua variabel jarang terjadi dalam

dunia nyata, akan tetapi penafsiran geometris dari metode grafik ini sangat
bermanfaat untuk memahami metode pemecahan yang umum melalui
algoritma simpleks yang akan dibicarakan kemudian.
Ilustrasi 3.1 : Pemecahan Programa Linier dengan Metode Grafik
Berikut adalah ilustrasi pemecahan persoalan Programa Linier dengan

menggunakan metode grafik dengan mengambil contoh permasalahan
sebelumnya, yaitu permasalahan perusahaan Tembikar PT. XYZ pada bab 2.
Berikut dituliskan kembali model Programa Linier perusahaan PT XYZ.
Memaksimumkan Z = (4x1 +5x2) rupiah

terbatas pada
x1 + 2x2 ≤ 40 jam tenaga kerja
4x1 + 3x2 ≤ 120 kg tanah liat
x1 , x2 ≥0
dimana
x1 = jumlah mangkok yang diproduksi
x2 = jumlah cangkir yang diproduksi
Selanjutnya mohon diingat bahwa:
• Koefisien nilai 4 dan 5 dalam fungsi tujuan adalah keuntungan mangkok

dan cangkir;
• koefisien nilai 1 dan 2 pada batasan pertama masing-masing adalah
merupakan jumlah jam tenaga kerja yang diperlukan untuk memproduksi
setiap mangkok dan cangkir;

• dan koefisien nilai 4 dan 3 pada batasan kedua menunjukkan jumlah kg
tanah liat yang diperlukan untuk memproduksi setiap mangkok dan
cangkir.
Membuat sumbu koordinat kartesius
Gambar 3.1 adalah satu kumpulan koordinat untuk variabel-variabel

keputusan x1 dan x2, dimana grafik dari model matematik akan
digambarkan. Hanya kuadran yang positif yang akan digambarkan, yaitu
kuadran dimana x1 dan x2 akan selalu positif ( x1 ≥ 0 dan x2 ≥ 0).
x1
40
30
20
10
0 10 20 30 40 x2
Gambar 3.1 Koordinat untuk analisis grafik

Menggambar grafik
10 20 30 40 x2
Langkah pertama dalam menggambar grafik untuk model Programa
Linier adalah memperlihatkan batasan-batasan dalam grafik. Kedua batasan
digambarkan
10 20 sebagai
30 garisx2lurus dan masing-masing garis dibuat dalam
40
grafik.
X2
X2
40
40
30
30 4x1 + 3x2 = 120
x1 + 2x2 = 40
20
20
10
10
0 10 20 30 40 x1
0 10 20 30 40 x1

(a) (b)
Gambar 3.2 a. Grafik dari batasan tenaga kerja

b. Grafik dari batasan untuk tanah liat
Prosedur yang paling mudah untuk menggambarkan garis lurus ini

adalah dengan cara menentukan dua titik pada garis dan menarik garis lurus
melalui titik-titik tersebut.
Untuk persamaan batasan tenaga kerja, x1 + 2x2 = 40 (gambar 3.2a),

satu titik akan diperoleh jika salah satu titiknya bernilai 0. Untuk itu:
• jika x1 = 0, kita masukkan (substitusikan) nilai x1 = 0 ke dalam

persamaan x1 + 2x2 = 40, sehingga akan dihasilkan nilai x2 = 20, dan
titik ini berpotongan dengan sumbu x2.
• jika x2 = 0, kita masukkan (substitusikan) nilai x2 = 0 ke dalam
persamaan x1 + 2x2 = 40, sehingga akan dihasilkan nilai x1 = 40, dan
titik ini berpotongan dengan sumbu x1.
• Untuk persamaan: 4x1 + 3x2 = 120 , untuk batasan tanah liat (gambar
3.2b).
jika x1 = 0, maka x2 = 40 , berpotongan dengan sumbu x2
jika x2 = 0, maka x1 = 30 , berpotongan dengan sumbu x1
Garis pada grafik gambar 3.2 menunjukkan grafik kedua persamaan
ini. Akan tetapi garis pada grafik 3.2 tersebut masih berupa garis sebuah
batasan dan tidak menunjukkan seluruh batasan seperti gambar 3.3.
X2 X2
40 40
30 B 30 4x1 + 3x2 ≤120

x1 + 2x2 ≤ 40
20 20
10 A 10
0 10 20 30 40 x1 0 10 20 30 40 x1
(a) (b)

Gambar 3.3 Grafik dengan daerah batasan
Menentukan daerah solusi yang layak (Solusi Feaseble)
Untuk menguji ketepatan dari daerah batasan, cek setiap satu titik
yang berada di dalam dan di luar daerah.
Sebagai contoh, ambil dua buah titik A dan B, masing masing berada
di dalam dan di luar daerah, seperti dapat dilihat pada gambar 3.3a. Titik uji
A pada gambar 3.3a, yang merupakan perpotongan dari x1 = 10 dan x2 = 10.
Masukkan nilai-nilai ini ke dalam batasan tenaga kerja, sehingga diperoleh
hasil sebagai berikut.
10 + 2x (10) ≤ 40
30 ≤ 40
Hasil ini menunjukkan bahwa ternyata titik A berada di dalam daerah

batasan karena nilainya lebih kecil (30) dari 40.
Berikutnya adalah titik uji B yang berada pada x1 = 40 dan x2 = 30.

Hasilnya adalah
40 + 2 x (30) ≤ 40
100 ≤ 40
Titik B jelas berada di luar daerah batasan karena nilai x1 dan x2
menghasilkan kuantitas 100, yang melebihi 40. Hal yang sama juga dapat
dilakukan pada gambar 3.3b, sehingga kombinasi dari kedua garis tersebut
dapat dilihat pada grafik 3.4.
X2
40
30 Daerah batasan kedua

model grafik
20
10
0 10 20 30 40 x1

Gambar 3.4 Daerah batasan dari kedua persamaan
Sekarang perhatikan gambar 3.5. Daerah di dalam garis tebal pada

gambar 3.5 merupakan daerah yang berlaku untuk batasan kedua model
karena daerah ini merupakan satu-satunya daerah dalam grafik yang berisi
nilai-nilai yang dapat memenuhi kedua batasan secara simultan (daerah
solusi yang layak).
Beberapa titik dalam daerah solusi yang layak akan menghasilkan laba
maksimum bagi perusahaan tersebut.
X2
40
30 Daerah Solusi fisible
20
10
0 10 20 30 40 x1
Gambar 3.5 Daerah fisibel
Titik Solusi.
Langkah berikutnya adalah menentukan titik dalam daerah solusi

yang layak yang menghasilkan laba terbesar.
Untuk memulai menganalisis solusi, garis fungsi tujuan disiapkan

secara acak berdasarkan tingkatan laba yang dipilih. Sebagai contoh, jika
laba Z adalah 80, fungsi tujuannya adalah sebagai berikut.
80 = 4x1+5 x2
Seperti halnya garis batasan, persamaan ini juga digambarkan sebagai

garis seperti pada gambar 3.6.
X2
40
30 Garis
80 = 4x1+5 x2
20
Gambar 3.6 Mencari solusi dengan menggunakan persamaan garis fungsi
tujuan
Selanjutnya geser garis tersebut menjauhi titik origin (0,0). Laba

meningkat jika fungsi tujuan menjauhi titik (0,0). Laba maksimum yang akan
dicapai adalah pada titik dimana garis fungsi tujuan merupakan yang terjauh
dari titik pangkal dan masih menyentuh suatu titik dalam daerah solusi yang
layak.
Dari gambar 3.6 didapatkan bahwa solusi optimal dicapai di titik B.
X2
40
30 Garis
80 = 4x1+5 x2
20
10 B
0 10 20 30 40 x1
Gambar 3.7 Garis bantu digeser menjauhi titik orijin untuk mencari solusi
optimum

Langkah ketiga dalam pendekatan solusi grafik adalah mencari nilai x1
dan x2 ketika titik solusi optimal diperoleh. Koordinat x1 dan x2 dapat
langsung diperoleh dari grafik seperti gambar 3.8 adalah x1 =24 dan x2 = 8.
Dengan demikian fungsi tujuan
Z= 4 x 24 + 5 x 8 = 136.
X2
40
30
20
10 B
0 10 20 30 40 x1
Gambar 3.8 Titik solusi optimum
RINGKASAN LANGKAH-LANGKAH SOLUSI GRAFIK
1. Gambarkan model batasan sebagai persamaan pada grafik, lalu dengan

mempertimbangkan ketidaksamaan batasan, tunjukkan area solusi yang
layak.
2. Gambarkan fungsi tujuan, lalu geserlah garis ini keluar dari titik origin
(0,0) ke lokasi titik solusi optimal.
3. Selesaikan persamaan-persamaan secara simultan pada titik solusi untuk
menentukan nilai solusi yang optimal.
Atau setelah langkah pertama:
2. Selesaikan persamaan-persamaan secara simultan pada titik sudut untuk

memperoleh nilai solusi pada setiap sudut.
3. Masukkan nilai-nilai ini ke dalam fungsi tujuan untuk menentukan
kumpulan nilai yang menghasilkan nilai Z maksimum.

3.3 SOLUSI GRAFIK MASALAH MINIMASI
Secara umum, solusi grafik masalah minimasi mempunyai cara yang

sama dengan masalah maksimasi, kecuali untuk sedikit perbedaan.
Ilustrasi 3.2: Pemecahan Masalah Minimasi Programa Linier dengan

Metode Grafik.
Berikut adalah ilustrasi pemecahan persoalan Programa Linier dengan

menggunakan metode grafik untuk kasus minimasi. Formulasi Model
Minimasi
Meminimkan Z = 6x1 + 3x2

terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0
Untuk menyelesaikan model Programa linier dengan metode grafik:
Langkah pertama adalah menggambarkan persamaan dari dua model

batasan (Gambar 3.9).
X2
10
8 2 x1 + 4 x2 = 16
2 4 x1 + 3 x2 = 24
0
2 4 6 8 12 X1
Gambar 3.9 Garis batasan untuk model minimasi

Berikut adalah daerah solusi yang layak dipilih yang menggambarkan
ketidaksamaan ≥ pada batasan-batasan tersebut (Gambar 3.10).
X2
10
8
Daerah solusi yang layak
Daerah
6 Daerah solusi yang layak
0
2 4 6 8 12 X1
Gambar 3.10 Daerah solusi yang layak
Setelah daerah solusi yang layak ditentukan, langkah berikutnya

adalah menentukan titik optimal.
Solusi optimal untuk masalah minimasi adalah juga pada batasan

daerah solusi yang layak, akan tetapi batas daerah solusi terdiri dari titik-titik
terdekat dari titik pangkal (titik orijin).
Solusi optimal terdapat pada salah satu titik yang terekstrim pada
batas daerah solusi. Dalam hal ini titik sudut yang menunjukkan tingkat
ekstrim pada batas solusi yang terdekat pada titik pangkal, tiga titik sudut A,
B, dan C dan garis fungsi tujuan.
Pada saat fungsi tujuan bergeser mengarah ke titik pangkal, titik

terakhir yang tersentuh dalam daerah solusi adalah titik yang layak. Hal ini
menunjukkan bahwa nilai terendah telah dicapai.
X2
10
A
8
Daerah solusi yang layak
6
A
2
0
2 4 6 8 12 X1
B
Gambar 3.11 Titik Solusi Optimal
Langkah terakhir dalam pendekatan solusi secara grafik adalah

mencari nilai x1 dan x2 pada titik A.
Solusi optimalnya adalah dengan mensubstitusikan nilai A pada

fungsi tujuan Z = 6x1 + 3x2
Latihan
1. Berapa titik optimum dan solusi optimum untuk ilustrasi 2.2 di atas?
2. Selesaikan permasalahan berikut secara grafik
a. memaksimumkan Z = 4 x1 + 5 x2
terbatas pada
x1 + 2 x2 ≤ 10
6 x1 + 6 x2 ≤ 36
x2 ≤ 4
x1 , x2 ≥ 0
b. meminimumkan Z = 8 x1 + 6 x2
terbatas pada
4 x1 + 2 x2 ≥ 10
- 6 x1 + 4x2 ≤ 12
x1 + x2 ≥ 6
x1 , x2 ≥ 0
c. memaksimumkan Z = 3 x1 + 5 x2
terbatas pada
2x1 ≤ 8
3x2 ≤ 15
6 x1 + 5 x2 ≤ 30
x1 , x2 ≥ 0

d. meminimumkan Z = 5 x1 + 2 x2
terbatas pada
6 x1 + x2 ≥ 6
4 x1 + 3 x2 ≥ 2
x1 + 2 x2 ≥ 4
x1 , x2 ≥ 0
4
SOLUSI METODE SIMPLEX
4.1 PENDAHULUAN
Tidak semua permasalahan Programa linier dapat diselesaikan secara

grafik. Untuk mengatasinya akan diperkenalkan sebuah metode yang
menggunakan pendekatan matematis, yaitu metode simplex.
Metode simplex merupakan suatu prosedur ulang yang bergerak dari

satu jawab layak basis ke jawab berikutnya sedemikian rupa sehingga harga

fungsi tujuan terus menaik (dalam persoalan maksimasi) atau fungsi tujuan
menurun (dalam kasus minimasi). Proses ini akan terus berkelanjutan sampai
dicapai jawab optimal (jika ada) yang memberi harga maksimum (minimum).
Dalam pemecahan metode simplex, model Programa linier diubah ke

dalam bentuk suatu tabel, dinamakan tabel simplex, untuk kemudian
dilakukan langkah-langkah matematis pada tabel tersebut.
Langkah-langkah matematis ini pada dasarnya merupakan replikasi

proses Pemindahan dari suatu titik ekstrim ke titik ekstrim lainnya pada batas
daerah solusi. Tidak seperti metode grafik dimana dengan mudah titik
terbaik dapat dicari diantara semua titik-titik solusi, metode simplex
bergerak dari satu solusi ke solusi lain yang lebih baik sampai pada akhirnya
solusi yang terbaik didapat.
Berikut akan dijelaskan langkah-langkah penyelesaian persoalan

Programa
x1 +linier
2x2 ≤ menggunakan metode
40 diubah menjadi simplex
x1 + 2x2 + suntuk
1 = 40, model
dimana maksimasi.
s1 ≥ 0
Sedangkan untuk model minimasi yang memerlukan sedikit perubahan-
perubahan, akan dibahas pada bab berikutnya bersama-sama dengan
beberapa kasus khusus, termasuk variabel
didalamnya adalah solusi optimal
Tanda pertidaksamaan slack tanda persamaan
majemuk, masalah tidak fisibel, dan masalah tidak terbatas.
4.2 SOLUSI METODE SIMPLEX
Langkah pertama untuk memecahkan Programa linier dengan metode

simplex adalah mengubah batasan-batasan model ke dalam bentuk persamaan yang
merupakan persyaratan untuk pemecahan secara simultan.
Metode simpleks memberikan suatu prosedur standar untuk

mentransformasikan batasan pertidaksamaan berjenis ≤ ke dalam bentuk
persamaan (=).
Transformasi ini dicapai dengan cara menambahkan suatu variabel

baru yang dinamakan dengan variabel slack (variabel pengurang), diberi
notasi s, dari sisi kiri batasan (untuk kasus maksimasi).
Ilustrasi 4.1: Penambahan Variabel Slack

Ilustrasi 4.2 : Formulasi Model Programa Linier Dengan Penambahan
Variabel Slack
Kembali pada contoh permasalahan sebelumnya, kasus Perusahaan

Tembikar PT. XYZ dengan formulasi model berikut:
memaksimumkan Z = Rp (4x1 + 5x2)

terbatas pada
x1 , x2 ≥ 0
Mengubah batasan model.
Penambahan suatu variabel pengurang (s) pada setiap

pertidaksamaan batasan di atas akan menghasilkan persamaan-persamaan
berikut:
x1 + 2x2 + s1 = 40 jam tenaga kerja

4x1 + 3x2 + s2 = 120 kg tanah liat
Apa yang dimaksud dengan variabel slack?

Variabel slack, s1 dan s2 , merupakan suatu nilai sembarang yang diperlukan,
sehingga nilai sisi kiri dari tanda persamaan akan bernilai sama dengan nilai
sisi kanannya.
Sebagai contoh, misalkan suatu solusi hipotetis dari x1 = 5 dan x2 = 10.

Substitusikan nilai-nilai tersebut (x1 = 5 dan x2 = 10) ke dalam persamaan-
persamaan batasan pada ilustrasi 4.2, sehingga akan menghasilkan nilai:
x1 + 2 x2 + s1 = 40 jam tenaga kerja

5 + 2.(10) + s1 = 40 jam tenaga kerja
s1 = 15 jam tenaga kerja
dan

4x1 + 3x2 + s2 = 120 kg tanah liat
4.(5) + 3. (10) + s2 = 120 kg tanah liat
s2 = 70 kg tanah liat
Dari contoh di atas, x1 = 5 mangkok dan, x2 = 10 cangkir

mencerminkan suatu solusi yang belum menggunakan seluruh jumlah jam
tenaga kerja dan tanah liat. Untuk membuat 5 mangkok dan 10 cangkir hanya
memerlukan 25 jam tenaga kerja.
Hal ini berarti masih ada 15 jam tenaga kerja yang belum terpakai.
Begitu juga dengan tanah liat yang digunakan untuk memproduksi 5
mangkok dan 10 cangkir masih menyisakan 70 kg tanah liat.
Dengan demikian, secara umum suatu variabel slack mencerminkan

sumber-sumber daya yang tidak terpakai.
Dalam contoh di atas, s1 mencerminkan jumlah jam tenaga kerja yang

belum terpakai, sedangkan s2 mencerminkan jumlah kg tanah liat yang
belum terpakai.
Sumber-sumber yang tidak terpakai secara penuh akan muncul pada

saat x1 = 0 dan x2 = 0 (di titik orijin (0,0). Dengan demikian jika nilai x1 = 0
dan x2 = 0 tersebut disubstitusikan ke persamaan batasan model, maka
hasilnya adalah
x1 + 2x2 + s1 = 40 → 0 + 2.(0) + s1 = 40
4x1 + 3x2 + s2 = 120 → 4.(0) + 3. (0) + s2 = 120
Karena tidak ada produksi pada titik orijin (titik asal (0,0)), berarti
semua sumber-sumber daya tersebut tidak terpakai, jadi variabel pengurang
sama dengan jumlah total tiap sumber yang tersedia, yaitu: s1 = 40, s2 = 120.
Efek pada fungsi tujuan.
Pertimbangan berikutnya adalah efek dari variabel-variabel

pengurang yang baru ini terhadap fungsi tujuan. Fungsi tujuan dalam contoh
tersebut adalah:
Z = Rp (4x1+5 x2)

Koefisien 4 dan 5 merupakan masing-masing merupakan kontribusi
laba untuk tiap mangkok dan cangkir. Lalu apa kontribusi dari variabel slack
s1 dan s2?
Variabel slack tersebut tidak memberikan kontribusi apa-apa

terhadap fungsi tujuan karena mereka mencerminkan sumber yang tidak
terpakai.
Laba baru akan diperoleh hanya jika sumber-sumber digunakan untuk

menghasilkan mangkok dan cangkir. Dengan menggunakan variabel
pengurang, fungsi tujuan dapat dituliskan sebagai berikut:
Memaksimumkan Z = 4x1 + 5 x2 + 0.s1 + 0.s2
Batasan yang non negatif.
Seperti pada variabel keputusan (x1 dan x2), variabel slack juga hanya
dapat memiliki nilai non negatif karena sumber yang bernilai negatif adalah
tidak mungkin.
Dengan demikian maka untuk formulasi model ini, non negatifnya

adalah:
x1 , x2 , s1 , s2 ≥ 0
Formulasi model Programa Linier sekarang untuk kasus contoh di atas

adalah
memaksimumkan Z = 4x1+5 x2 + 0s1 + 0s2

terbatas pada x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
x1 , x2 , s1 , s2 ≥ 0
4.3 SOLUSI UNTUK PERSAMAAN SIMULTAN
Setelah kedua batasan ini diubah ke dalam bentuk persamaan, maka

untuk menentukan nilai dari variabel pada tiap titik solusi persamaan-
persamaan batasan dapat dipecahkan secara simultan.

Pada contoh tersebut, terdapat dua persamaan dengan empat variabel
yang tidak diketahui (yaitu: dua variabel keputusan (x1 dan x2) dan dua
variabel pengurang (s1 , s2)), suatu situasi yang membuat solusi simultan
secara langsung tidak memungkinkan.
Perhatikan kembali kedua persamaan batasan contoh di atas.
x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
Metode simplex memudahkan permasalahan ini dengan memberikan

nilai nol untuk beberapa variabel.
Jumlah variabel yang diberi nilai nol adalah n-m, dimana n sama
dengan jumlah variabel sedangkan m sama dengan jumlah batasan (tidak termasuk
batasan nonnegatif).
Untuk contoh model ini berarti n = 4 variabel dan m = 2 batasan,

sehingga dua dari empat variabel tersebut diberi nilai nol (yaitu, 4 – 2 = 2).
Sebagai contoh, misalkan x1 = 0 dan s1 = 0, maka kedua persamaan

batasan tersebut akan menghasilkan seperti di bawah ini.
x1 + 2x2 + s1 = 40
0 + 2x2 + 0 = 40
x2 = 40
dan
4 x1 + 3 x2 + s2 = 120
4.(0) + 3 (40) + s2 = 120
s2 = 60
Solusi ini berhubungan dengan titik A pada gambar 4.1. Grafik pada
gambar 4.1 memperlihatkan bahwa pada titik A, dimana x1 = 0, x2 = 20, s1 = 0,
dan s2 = 60 adalah solusi yang diperoleh jika diselesaikan dengan
memecahkan persamaan simultan.
Solusi ini nyata sebagai suatu solusi fisibel dasar.
x1 = 0
x2 = 20 X2
s1 = 0 4 x1 + 3 x2 + s2 = 120
s2 = 60 40 x1 = 24
x2 = 8
30 s1 = 0
s2 |
STIE GRAHA KIRANA MEDAN = SUBAMBANG
0 HARSONO, SE, M.Si 46
20 A
10 B
D x1 + 2x2 + s1 = 40
x1 = 30
x2 = 0
s1 = 10
x1 = 0
s2 = 0
x2 = 0
s1 = 40
s2 = 120
Gambar 4.1 Solusi pada titik-titik A, B, C, dan D
Suatu solusi fisibel dasar adalah solusi yang memenuhi batasan model.
Suatu solusi fisibel dasar memenuhi batasan-batasannya dan terdiri dari
variabel dengan nilai non negatif dan n-m variabel yang diberi nilai nol.
Biasanya, sebanyak m variabel mempunyai nilai solusi yang positif,

namun, bila satu dari m variabel mempunyai nilai nol, solusi fisibel dasar
dinyatakan mengalami degenerasi.
4.4 METODE SIMPLEX MENGGUNAKAN TABEL SIMPLEX
Langkah-langkah metode simplex dilakukan dalam suatu kerangka

tabel, atau disebut dengan tabel simplex. Tabel simplex adalah tabel yang
memuat semua keterangan yang perlu bagi jawab layak basis dari suatu
permasalahan Programa linier. Tabel ini juga mengatur model ke dalam suatu
bentuk yang memungkinkan untuk penerapan langkah-langkah matematis
menjadi lebih mudah.
Bentuk umum tabel simplex awal dengan judul kolom dan baris
diperlihatkan pada tabel 4.1.
Tabel 4.1 Tabel Awal (Secara Umum)

Ilustrasi 4.3 Solusi Metode Simplex dengan Tabel Simplex
Berikut adalah langkah-langkah penyelesaian permasalahan Programa

linier menggunakan metode simplex dengan tabel simplex dengan contoh
persoalan Perusahaan Tembikar PT. XYZ.
Kita tuliskan kembali model matematikanya
memaksimumkan Z = Rp (4x1+5 x2)

terbatas pada
cj
Variabel Kuantitas
dasar (solusi) x1 ... xn ... s1 ... sn
zj
cj - zj
x1 , x2 ≥ 0
Langkah 1: mengubah bentuk batasan model pertidaksamaan menjadi

persamaan. Untuk persoalan Perusahaan Tembikar PT. XYZ, hasil
transformasi modelnya adalah sebagai berikut.
memaksimumkan Z = 4x1+5 x2 + 0s1 + 0s2

terbatas pada x1 + 2x2 + s1 = 40
4x1 + 3x2 + s2 = 120
x1 , x2 , s1 , s2 ≥ 0
Langkah 2: Siapkan tabel awal untuk solusi fisibel dasar pada titik orijin
dengan jumlah kolom sebanyak jumlah variabel ditambah tiga dan jumlah
baris sebanyak jumlah batasan ditambah empat.
Tabel simplex awal untuk model Perusahaan Tembikar PT. XYZ,

dengan berbagai judul kolom dan baris diperlihatkan pada tabel 4.2.

cj Langkah 3:
Variabel Kuantitas Isi kolom-kolom dan
dasar (solusi) x1 x2 s1 s2 baris tabel simplex
variabel-variabel
untuk solusi fisibel
dasar dan nilainya
dasar di titik orijin. di
titik orijin.
s1 = 40 dan s2 = 120
Tabel 4.2 Tabel
Simplex
cj
1. Tahap pertama
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2 dalam mengisi
tabel 4.2 adalah
variable-variabel model
menuliskan
sepanjang baris kedua
dari atas yaitu
variabel-variabel
zj x1, x2, s1,sepanjang
s2
model
cj - zj
baris kedua dari
atas. Kedua variabel keputusan ditulis terlebih dahulu dengan mengikuti
urutan besarnya subskripnya, diikuti dengan variable pengurang yang
juga ditulis mengikuti urutan besarnya subskripnya. Langkah ini
menghasilkan suatu baris berisi x1 , x2 , s1 , s2 dalam tabel 4.2.
2. Tahap berikutnya adalah menentukan suatu solusi fisibel dasar. Dengan

kata lain, dua variabel manakah yang akan membentuk solusi fisibel
dasar dan variable mana yang akan diberi nilai nol?
Tabel 4.3 Solusi Fisibel Dasar

s1 40
s2 120
zj
cj - zj
Metode simplex memilih titik orijin sebagai awal dari solusi fisibel
dasar karena nilai variabel keputusan pada titik orijin selalu dapat
diketahui dalam semua Programa linier.
Pada titik orijin tersebut (x1 = 0 dan x2 = 0), yang merupakan variabel-
variabel dalam solusi fisibel dasar untuk kasus ini adalah s1 dan s2. Dengan
demikian, jika nilai x1 = 0 dan x2 = 0, maka kita substitusikan nilai-nilai
tersebut pada kedua persamaan batas, hasilnya adalah
x1 + 2x2 + s1 = 40 → 0 + 2.(0) + s1 = 40
s1 = 40 jam
4x1 + 3x2 + s2 = 120 → 4.(0) + 3. (0) + s2 = 120
s2 = 120 kg
Dengan kata lain, pada titik orijin, dimana tidak ada produksi, semua
sumber-sumber tersebut tidak terpakai, dan variabel s1 dan s2, yang
membentuk solusi fisibel dasar.
Dalam tabel 4.3 ditulis di bawah kolom variabel dasar dengan nilai-
nilainya masing-masing 40 dan 120 ditulis di bawah kolom kuantitas (solusi).
Karena tabel simplex awal selalu dimulai dengan solusi pada titik orijin,
maka variabel-variabel dasar pada titik orijin adalah variabel pengurang, s1
dan s2.
Variabel dasar adalah variabel yang nilainya tidak sama dengan nol;
sedangkan variabel non-dasar adalah variabel yang nilainya sama dengan
nol.
Tabel 4.4 Tabel Simplex dengan nilai-nilai cj

cj 4 5 0 0
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2 Nilai cj koefisien fungsi
0 s1 40 tujuan
0 s2 120 Z = 4x1+5 x2 + 0s1 + 0s2
zj
cj - zj
Selanjutnya isi nilai cj, yaitu: koefisien-koefisien fungsi tujuan, yang

mencerminkan kontribusi pada keuntungan (atau biaya) untuk setiap
variabel xj atau sj pada fungsi tujuan. Sepanjang baris teratas dimasukkan
nilai-nilai cj , yaitu 4, 5, 0, dan 0 untuk setiap variabel, seperti ditunjukkan
pada tabel 4.4.
Nilai-nilai cj pada sisi kiri tabel adalah kontribusi keuntungan dari

variabel-variabel yang termasuk pada solusi fisibel dasar, dalam hal ini s1
dan s2. Variabel-variabel ini dituliskan pada sisi kiri tabel dengan tujuan
digunakan untuk menghitung nilai pada baris zj.
Kolom-kolom di bawah tiap variabel (x1 , x2 , s1 , s2) mengikuti

koefisien variable keputusan dan variabel pengurang dalam persamaan
batasan model, dan hasilnya dapat dilihat pada tabel 4.5.
Tabel 4.5 Tabel Simplex dengan Koefisien Batasan Model
cj 4 5 0 0
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2
0 s1 40 1 2 1 0 Kolom-kolom di
0 s2 120 4 3 0 1 bawah tiap variabel
(x1 , x2 , s1 , s2)
zj
cj - zj
Sampai di sini proses pengisian tabel simplex awal telah lengkap.
Nilai-nilai yang harus diisi pada baris zj dan cj – zj, seperti juga nilai-
nilai table selanjutnya diperoleh dari hasil perhitungan matematis yang
menggunakan formula-formula simplex.

Menghitung zj dan Baris cj-zj
Langkah 4 : Menghitung nilai zj dan baris cj-zj
Menghitung zj
Nilai pada baris zj dihitung dengan jalan mengalikan tiap nilai kolom
cj (pada sisi kiri) dengan tiap kolom variabel (di bawah x1, x2, s1, dan s2),
dan kemudian menjumlahkan tiap set nilai-nilai ini satu persatu. Nilai zj ini
ditunjukkan dalam table 4.6.
Tabel 4.6 Tabel

cj 4 5 0 0 Simplex dengan
Variabel Kuantitas nilai-nilai cj
dasar x1 x2 s1 s2
0 s1 40 1 2 1 0
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - zj
Nilai Zj
Contoh perhitungan:
Nilai baris zj di bawah kolom kuantitas; nilai baris zj di bawah kolom x1
cj kuantitas cj x1
0 X 40 =0 0 x 1 =0
0 X 120 = 0 0 x 4 =0
zq = 0 zq =0
Menghitung baris cj-zj
Baris cj-zj dihitung dengan jalan mengurangkan nilai baris zj dari nilai-
nilai baris (teratas) cj. Sebagai contoh, pada kolom x1, nilai cj-zj dihitung
sebagai 4 – 0 = 4. Nilai ini seperti juga nilai cj-zj lainnya ditunjukkan pada
tabel 4.7.

cj 4 5 0 0
Variabel Kuantitas Tabel 4.7 Tabel
dasar x1 x2 s1 s2 Simplex Awal
0 s1 40 1 2 1 0 Lengkap
0 s2 120 4 3 0 1
zj 0 0 0 0 0
cj - zj 4 5 0 0
Tabel 4.7 adalah tabel simplex awal yang lengkap dengan semua nilai
yang telah terisi. Tabel 4.7 mencerminkan solusi pada titik orijin, dengan nilai
x1 = 0, x2 = 0, s1 = 40 dan s2 = 120.
Solusi ini jelas tidak optimal karena tidak ada keuntungan yang
diperoleh. Jadi kita ingin berpindah ke suatu titik solusi yang akan
memberikan solusi lebih baik. Dengan kata lain, kita ingin memproduksi
salah satu dari beberapa mangkok (x1) atau beberapa cangkir (x2).
Variabel Non-Dasar yang masuk.
Pada umumnya, nilai pada baris cj-zj mencerminkan kenaikan bersih

per unit variable non dasar yang masuk ke dalam solusi dasar. Secara
alamiah, kita ingin memperoleh sebanyak mungkin keuntungan, mengingat
tujuan utamanya adalah memaksimumkan laba.
Dengan demikian, kita memasukkan variabel yang akan memberikan

kenaikan bersih terbesar terhadap laba per unit. Pada tabel 4.8 kita memilih
variabel x2 sebagai variabel dasar yang memasuki solusi karena variabel tersebut
memiliki kenaikan bersih terbesar terhadap laba per unit, dan merupakan
nilai positif tertinggi pada baris cj-zj.
Variabel non dasar yang masuk menjadi variabel dasar ditentukan dengan
cara cari nilai pada baris cj-zj yang terbesar.

cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
0 s1 40 1 2 1 0 Tabel 4.8 Pemilihan
0 s2 120 4 3 0 1 Variabel Dasar yang
zj 0 0 0 0 0 masuk
cj - zj 4 5 0 0
Variabel x2
Kolom x2 yang diberi garis terang pada tabel 4.8 disebut kolom
pemutar (pivot column).
Variabel Dasar Yang Keluar
Dalam contoh permasalahan ini, setiap solusi fisibel dasar hanya

terdiri dari dua variabel yang diberi nilai nol, dan satu dari dua variabel
dasar yang ada, s1 atau s2 akan meninggalkan solusi dan menjadi nol.
Untuk menentukan variabel dasar mana yang harus keluar menjadi

variabel nondasar dalam metode ini, caranya adalah dengan mencari nilai
non-negatif terkecil dari hasil pembagian antara nilai kuantitas dari variabel
solusi dasar terhadap nilai koefisien dari kolom pemutar.
Dengan demikian maka, variabel dasar yang keluar pada tabel 4.8
adalah variabel s1. Baris s1 yang diarsir terang pada tabel 4.8 dinyatakan
sebagai baris pemutar (pivot row).
Variabel dasar yang keluar menjadi variabel non-dasar ditentukan dengan

cara mencari nilai terbesar dari hasil perhitungan pembagian antara nilai kuantitas
dari variabel solusi dasar terhadap nilai variabel pada kolom pemutar.
Membentuk Tabel Baru

Tabel 4.9
cj 4 5 0 0 memperlihatkan
Variabel Kuantitas tabel simplex ke dua
Dasar x1 x2 s1 s2
dari variabel solusi
5 x2 dasar fisibel yang
0 s2 baru, yaitu x2 dan s2
zj berikut koefisien cj
cj - zj yang berhubungan.
Tabel 4.9 Variabel Dasar dan nilai cj untuk tabel Simplex Kedua
cj 4 5 0 0
Variabel Kuantitas Nilai
dasar x1 x2 s1 s2
baris yang
5 x2 20 1/2 1 1/2 0 beragam dalam
tabel kedua
dihitung
menggunakan
beberapa formula simplex.
1. Untuk baris x2 yang disebut baris pemutar tabel baru, dihitung dengan
membagi tiap nilai dalam baris pemutar pada tabel pertama terhadap
angka pemutar.
nilai baris pemutar = (nilai baris pemutar tabel lama /angka pemutar)
tabel baru
Tabel 4.10 Perhitungan Nilai Baris Pemutar yang Baru

0 s2
zj
cj - zj
2. Untuk menghitung nilai baris lainnya (dalam hal ini hanya ada satu baris)
digunakan formula yang berbeda.
Nilai baris = Nilai baris - Koefisien kolom Nilai baris pemutar

tabel baru tabel lama pemutar yang x tabel baru yang
berhubungan berhubungan
Perhitungan Nilai Baris s2 yang Baru
Koefisien Nilai baris Nilai

Nilai baris - kolom x pemutar table = baris
kolom tabel lama pemutar yang baru yang Lama
Kuantitas 120 - (3 x 20 ) = 60
X1 4 - (3 x ½ ) = 5/2
X2 3 - (3 x 1 ) = 0
S1 0 - (3 x ½ ) = -3/2
S2 1 - (3 x 0 ) = 1
Tabel simplex kedua diselesaikan dan dilengkapi dengan jalan

menghitung baris zj dan cj – zj sama seperti perhitungan pada tabel pertama.
Baris zj dihitung dengan jalan menjumlahkan hasil kali nilai kolom cj dengan
semua nilai kolom lainnya.

Nilai baris zj dan nilai baris cj-zj dimasukkan ke dalam tabel untuk
melengkapi table simplex kedua yang ditunjukkan dalam tabel 4.11.
Tabel 4.11 Tabel Simplex kedua yang lengkap.
Kolom
kuantitas zq = (5) . (20) + (0) . (60) = 100
Tabel 4.11
X1 Z1 = (5) . (1/2) + (0) . (5/2) = 5/2di atas masih
X2 Z2 = (5) . (1) + (0) . (0) = 5 belum
S1 Z3 = (5) . (1/2) + (0) . (-3/2) = 5/2memberikan
S2 Z4 = (5) . (0) + (0) . (1) = 0 solusi optimal.
Untuk
mendapatkan table simplex solusi optimal, langkah-langkah seperti
sebelumnya perlu dilakukan.
Tabel Simplex Optimal
cj 4 5 0 0 Untuk
Variabel Kuantitas menentukan
dasar x1 x2 s1 s2 variabel non dasar
5 x2 20 1/2 1 1/2 0 yang masuk menjadi
0 s2 60 5/2 0 -3/2 1 variabel dasar dan
zj 100 5/2 5 5/2 0 variabel dasar yang
cj - zj 3/2 0 -5/2 0 keluar menjadi
variabel non dasar,
dilakukan perhitungan seperti sebelumnya.

1. Menentukan variabel yang masuk
Variabel non dasar yang masuk ditentukan dengan cara mencari nilai
baris cj-zj yang tertinggi, seperti dapat dilihat pada tabel 4.12.
2. Variabel yang keluar

Variabel dasar yang keluar ditentukan dengan cara membagi nilai
kuantitas dari variabel solusi dasar terhadap nilai kolom pemutar. Dan
variabel dasar yang keluar adalah variabel yang mempunyai hasil bagi
nonnegatif terkecil, seperti dapat dilihat pada tabel 4.12.
Tabel 4.12 Kolom Pemutar, Baris Pemutar, dan angka pemutar.
Baris pemutar
cj 4 5 0 0
tabel baru (x1)
Variabel Kuantitas
x1 x2 s1 s2 dalam tabel simplex
dasar
ketiga dihitung
5 x2 20 1/2 1 1/2 0
0 s2 60 5/2 0 -3/2 1
dengan
menggunakan
zj 100 5/2 5 5/2 0
formula yang sama
cj - zj 3/2 0 -5/2 0
seperti sebelumnya.
Jadi semua nilai-nilai baris pemutar lama dibagi dengan 5/2 sebagai angka
pemutar, hasilnya dapat dilihat pada tabel 4.13.
Tabel 4.13 Nilai-nilai baris pemutar lama

cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
5 x2
4 x1 24 1 0 -3/5 2/5
zj
Nilai-nilai baris
cj - zj
lainnya (x2) dihitung
seperti yang diperlihatkan pada tabel .
Perhitungan Nilai Baris x2 yang Baru
Koefisien Nilai baris Nilai

Nilai baris - kolom x pemutar table = baris
kolom tabel lama pemutar yang baru yang Lama
Kuantitas 20 - (½ x 24 ) = 8
X1 ½ - (½ x 1 ) = 0
X2 1 - (½ x 0 ) = 1
S1 ½ - (½ x -3/5 ) = 4/5
S2 0 - (½ x 2/5 ) = -1/5
Nilai-nilai yang baru ini, seperti baris zj dan nilai baris cj-zj yang baru,
diperlihatkan dalam tabel ke tiga yang lengkap dalam tabel 4.14.
Tabel 4.14 Tabel Simplex lengkap
cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
5 x2 8 0 1 4/5 -1/5
4 x1 24 1 0 -3/5 2/5
zj 136 4 5 8/5 3/5
cj - zj 0 0 -8/5 -3/5

Untuk menentukan variabel yang masuk berdasarkan pengamatan
pada baris cj-zj, kita lihat bahwa suatu variabel non-dasar tidak akan
menghasilkan kenaikan bersih positif terhadap laba dimana semua nilai baris
cj-zj pada saat itu nol atau negatif. Ini berarti solusi optimal telah tercapai.
Jadi solusinya adalah

x1 = 24 mangkok
x2 = 8 cangkir
Z = Rp 136
Latihan
Selesaikan model Programa linier berikut ini dengan menggunakan
metode simplex.
1. Memaksimumkan Z = 4x1 + 5x2

Terbatas pada
4x1 + 5x2 ≤ 10
6x1 + 6x2 ≤ 36
x1 ≤ 4
x1 , x2 ≥ 0
2. Mengapa variabel pengurang perlu ditambahkan pada batasan model

Programa linier?
3. Terdapat lima variabel keputusan dan tiga batasan ≤ pada suatu

permasalahan, berapakah variabel dasar dan berapakah variabel non-
dasar yang terdapat pada tabel-tabel simplex?
4. Bagaimanakah mengidentifikasi solusi optimal dalam metode simplex,

dan mengapa kondisi ini membentuk solusi optimal?
5. Jelaskan perbedaan antara variabel dasar dan variabel non dasar!

5
MASALAH MINIMASI DAN TIPE
PROGRAMA LINIER YANG IRREGULAR
5.1 PENDAHULUAN
Dalam bab sebelumnya telah ditunjukkan pemecahan masalah

programa linier dengan metode simplex untuk masalah maksimasi. Secara
umum, langkah-langkah metode simplex yang telah dijelaskan pada bab
sebelumnya digunakan untuk semua tipe masalah programa linier.
Untuk masalah minimasi, diperlukan sedikit perubahan dalam proses simplex

yang normal.
5.2 MASALAH MINIMASI PROGRAM LINIER
Ilustrasi 5.1: Penyelesaian masalah minimasi progama linier menggunakan

metode simplex.
Formulasi Model
Meminimumkan Z = 6x1 + 3x2
terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0
Langkah pertama dari proses simplex adalah mengubah semua

batasan pertidaksamaan ≥ ke bentuk persamaan dengan mengurangi suatu
variabel penambah (variabel surplus) dan ditambahkan variabel artifisial A.

2x1 + 4x2 ≥ 16 diubah menjadi 2x1 + 4x2 - s1 + A1 = 16, dimana s1 ≥ 0
4x1 + 3x2 ≥ 24 diubah menjadi 4x1 + 3x2 - s2 + A2 = 24, dimana s2 ≥ 0
Tanda pertidaksamaan variabel surplus tanda persamaan
Variabel penambah diberi simbol s dan harus nonnegatif (≥ 0 ).
Suatu variabel pengurang yang ditambahkan pada batasan ≤

mencerminkan sumber yang tidak terpakai, sedangkan variabel penambah
yang dikurangkan pada batasan ≥ mencerminkan kelebihan di atas batas
minimal sumber yang diperlukan.
Variabel artifisial (A) tidak memberikan arti seperti halnya variabel

pengurang atau variabel penambah. Variabel Artifisial diselipkan ke dalam
persamaan hanya untuk memberikan solusi positif pada titik pangkal (titik
orijin). Variabel artifisial analog dengan roket booster yang tujuannya adalah
untuk mengangkat pesawat dari permukaan bumi, tetapi sekali pesawat
terangkat, roket tersebut tidak ada gunanya lagi sehingga roket tersebut lalu
dibuang.
Langkah kedua adalah mengubah persamaan fungsi tujuan dengan

menambahkan variabel big M.
Z = 6x1 + 3x2 + 0. s1 + 0. s2 + M.A1 + M. A2
Seperti variabel pengurang, variabel penambah tidak mempunyai

dampak menaikkan atau menurunkan biaya pada fungsi tujuan.
Dengan demikian transformasi model masalah minimasi secara

lengkapnya adalah:
meminimumkan Z = 6x1 + 3x2 + 0. s1 + 0. s2 + M.A1 + M. A2

terbatas pada
2x1 + 4x2 - s1 + A1 = 16
4x1 + 3x2 - s2 + A2 = 24
x1 , x2 , s1 , s2 , A1, A2 ≥ 0

5.3 TABEL SIMPLEX MINIMASI
Pembentukan tabel simplex awal untuk model minimasi dilakukan

dengan cara yang sama seperti untuk model maksimasi, kecuali untuk satu
perbedaan kecil. Pada baris akhir tabel simplex, tidak lagi menghitung cj –
zj , melainkan menghitung zj – cj, yang mencerminkan penurunan biaya
per unit bersih, dan kemudian dipilih nilai positif terbesar untuk penentuan
variabel yang masuk dan kolom pemutar.
Pilihan lain, kita tetap dapat menghitung cj – zj dan tetap kita memilih
nilai negative terbesar sebagai kolom pemutar. Namun agar tetap konsisten
dalam aturan untuk memilih kolom pemutar, kita akan tetap menggunakan
zj – cj.
Tabel Simplex Awal
Tabel simplex awal model minimasi di atas ditunjukkan pada tabel 5.1.
(Catatan: lihat cara memasukkan parameter-parameter seperti contoh pada
bab 4 sebelumnya)
Tabel 5.1 Tabel Simplex Awal Model Minimasi
cj 6 3 0 0 M M
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2 A1 A2
M A1 16 2 4 -1 0 1 0
M A2 24 4 3 0 -1 0 1
zj 40 M 6M 7M -M -M M M
z j - cj 6M-6 7M-3 -M -M 0 0
Pada tabel 5.1, kolom x2 dipilih sebagai kolom pemutar karena 7M-3
adalah nilai positif terbesar pada baris zj – cj, (x2 sebagai variabel yang
masuk). A1 dipilih sebagai variabel dasar yang keluar (baris pemutar) karena
hasil bagi sebesar (16/4) = 4 untuk baris ini merupakan nilai positif terendah.
(A1 sebagai variabel yang keluar)
Tabel Simplex Kedua
Tabel simplex kedua dibentuk menggunakan formula simplex yang

telah diperkenalkan pada bab 4, ditunjukkan pada tabel 5.2.

Tabel 5.2 Tabel Simplex Kedua
cj 6 3 0 0 M
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2 A2
3 x2 4 1/2 1 -1/4 0 0
M A2 12 5/2 0 3/4 -1 1
zj 12 M + 12 5M/2 + 3/2 3 -3/4 + 3M/4 -M M
z j - cj 5M/2 - 9/2 0 -3/4 + 3M/4 -M 0
Perhatikan bahwa kolom A1 telah dihilangkan pada tabel simplex

kedua. Begitu variabel artifisial meninggalkan solusi fisibel dasar, variabel
tersebut tidak akan pernah kembali, mengingat biayanya yang tinggi, yaitu
M.
Pada tabel 5.2, kolom x1 dipilih sebagai kolom pemutar karena 5M/2 -
9/2 adalah nilai positif terbesar pada baris zj – cj. A2 dipilih sebagai variabel
dasar yang keluar (baris pemutar) karena hasil bagi sebesar (24/5) untuk
baris ini merupakan nilai positif terendah.
Tabel Simplex Ketiga
Pada tabel simplex ketiga, dengan x1 yang menggantikan A2

ditunjukkan pada table 5.3. Kedua kolom A1 dan A2 telah dihilangkan
karena kedua variabel artifisial tersebut telah meninggalkan solusi.
Tabel 5.3 Tabel Simplex Ketiga
cj 6 3 0 0
Variabel Kuantitas
Dasar (solusi) x1 x2 s1 s2
3 x2 8/5 0 1 -2/5 1/5
6 x1 24/5 1 0 3/10 -2/5
zj 168/5 6 3 3/5 -9/5
z j - cj 0 0 3/5 -9/5
Sampai di sini (tabel 5.3) solusi optimal belum dipenuhi, karena pada
baris zj – cj masih ada yang bernilai positif. (solusi optimal terpenuhi jika
nilai (zj – cj) semuanya nol atau negatif.

Pada tabel 5.3, kolom s1 dipilih sebagai kolom pemutar karena 3/5
adalah nilai positif terbesar pada baris zj – cj. x1 dipilih sebagai variabel
dasar yang keluar (baris pemutar) karena baris tersebut memiliki rasio positif
terkecil sebesar 16.
Dalam pemilihan baris ini, nilai -4 untuk baris x2 tidak diperhitungkan

karena yang dipilih adalah nilai positif atau nol. Jika yang dipilih baris x2 hal
ini akan menyebabkan s1 memiliki nilai kuantitas yang negaitf pada tabel
keempat, dan nilai ini tidak layak.
Tabel Simplex Optimal
Tabel 5.4 Tabel Simplex Optimal

cj 6 3 0 0
Variabel Kuantitas
Dasar (solusi) x1 x2 s1 s2
3 x2 8 4/3 1 0 -1/3
0 s1 16 10/3 0 1 -4/3
zj 24 4 3 0 -1
z j - cj -2 0 0 -1
Tabel 5.4 merupakan tabel simplex yang optimal, dimana tidak

satupun terdapat nilai positif pada baris zj – cj. Solusi optimalnya adalah
x1 = 0
s1 = 16
x2 = 8
s2 = 0
Z = 24
Penyesuaian Tabel Simplex Untuk Suatu Model Minimasi:

1. Mengubah semua batasan ≥ ke dalam bentuk persamaan dengan cara
mengurangkan suatu variabel penambah dan menambahkan suatu
variable artifisial.
2. Memberikan nilai cj sebesar M untuk semua variabel artifisial pada
fungsi tujuan.
3. Mengubah baris cj – zj menjadi zj – cj .

Tugas!
Buat uraian perhitungan untuk contoh kasus minimasi di atas.
5.4 MASALAH BATASAN CAMPURAN
Sebelumnya telah dipelajari permasalahan maksimasi dengan

pertidaksamaan batasan ≤ saja dan permasalahan minimasi dengan
persamaan batasan ≥ saja. Bagaimana dengan penyelesaian permasalahan
dengan batasan campuran, yaitu terdiri dari batasan yang mempunyai
bentuk ≤, ≥ dan =.
Ilustrasi 5.2: Contoh penyelesaian permasalahan Programa Linier untuk

Masalah Batasan Campuran.
Formulasi Model Permasalahan Batasan Campuran

Memaksimumkan Z = 400 x1 + 200 x2
terbatas pada
x1 + x2 = 30
2x1 + 8x2 ≥ 80
x1 ≤ 20
x1 , x2 ≥ 0
Langkah pertama metode simplex adalah mengubah pertidaksamaan

ke dalam bentuk persamaan.
Batasan Pertama, yaitu: x1 + x2 = 30 sudah berbentuk persamaan.

Untuk batasan yang pada awalnya berbentuk persamaan, karena itu tidak
perlu menambah variable pengurang.
Meskipun persamaan batasan pertama ini nampaknya dalam bentuk

yang telah sesuai solusi simplex, kita perlu menguji apakah telah sesuai
dengan solusi simplex. Uji dilakukan di titik orijin (titik pangkal (0,0)).
x1 + x2 = 30
0 + 0 = 30
0 ≠ 30 (karena 0 tidak sama dengan 30, batasan ini tidak fisibel)
Batasan yang berbentuk persamaan perlu ditambah variabel artifisial

(A).

Uji di titik pangkal, dimana x1 =0 dan x2 =0.
x1 + x2 + A1 = 30
0 + 0 + A1 = 30
Batasan Kedua, yaitu persamaan 2x1 + 8x2 ≥ 80 adalah suatu

pertidaksamaan (≥), diubah ke dalam bentuk persamaan (=) dengan
mengurangkan suatu variabel penambah dan menambahkan suatu variabel artifisial.
(lihat contoh batasan pada kasus minimasi)
2x1 + 8x2 – s1 + A2 = 80
Batasan ketiga, adalah pertidaksamaan (≤) dan diubah ke bentuk

persamaan (=) dengan menambahkan variabel pengurang (slack).
x1 + s2 = 20
Mengubah fungsi tujuan

Memaksimumkan Z = 400 x1 + 200 x2 + 0. s1 + 0.s2 – M.A1 –M.A2
Batasan nonnegatif
x1 , x2 , s1 , s2 , A1, A2 ≥ 0
Perubahan masalah program linier di atas secara lengkapnya adalah:
Memaksimumkan Z = 400 x1 + 200 x2 + 0. s1 + 0.s2 – M.A1 –M.A2

terbatas pada
x1 + x2 + A1 = 30
2x1 + 8x2 – s1 + A2 = 80
x1 + s2 = 20
x1 , x2 , s1 , s2 , A1, A2 ≥ 0
Langkah Kedua membuat tabel simplex awal. Tabel 5.5 merupakan

tabel simplex awal.

Tabel 5.5 Tabel Simplex Awal model minimasi
cj 400 200 0 0 -M -M
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2 A1 A2
-M A1 30 1 1 0 0 1 0
-M A2 80 2 8 -1 0 0 1
0 s2 20 1 0 0 1 0 0
zj -110 M -3M -9M M 0 -M -M
cj - zj 400 + 3M 200 + 9M -M -M 0 0
x2 adalah variabel yang masuk (nilai cj – zj nya paling besar); A2

adalah variabel yang keluar (perbandingan antara kuantitas/koefisien kolom
pemutar yang berhubungan paling kecil; 80/8=10). Tabel 5.6 adalah tabel
simplex kedua.
Tabel 5.6 Simplex Kedua
cj 400 200 0 0 -M
Variabel Kuantitas
dasar (solusi) x1 x2 s1 s2 A1
-M A1 20 ¾ 0 1/8 0 1
200 x2 10 ¼ 1 -1/8 0 0
0 s2 20 1 0 0 1 0
zj 2000 - 20 M 50 - 3M/4 200 -25 – M/8 0 -M
cj - zj 350 + 3M/4 0 25 +M/8 0 0
x1 adalah variabel yang masuk (nilai cj – zj nya paling besar) ; s2

pemutar yang berhubungan paling kecil; 20/(3/4)). Tabel 5.7 adalah tabel
simplex ketiga.

Tabel 5.7 Tabel Simplex Ketiga
cj 400 200 0 0 -M
Variabel Kuantitas
Dasar (solusi) x1 X2 s1 s2 A1
-M A1 5 0 0 1/8 -3/4 1
200 x2 5 0 1 -1/8 -1/4 0
400 x1 20 1 0 0 1 0
zj 2000 - 20 M 400 200 -25 – M/8 350+3M/4 -M
cj - zj 0 0 25 +M/8 -350-3M/4 0
s1 adalah variabel yang masuk (nilai cj – zj nya paling besar); A1

pemutar yang berhubungan paling kecil; 5/(1/8)). Tabel 5.8 adalah tabel
simplex optimal.
Tabel 5.8 Simplex Optimal
cj 400 200 0 0
Variabel Kuantitas
Dasar (solusi) X1 x2 s1 s2
0 s1 40 0 0 1 -6
200 x2 10 0 1 0 -1
400 x1 20 1 0 0 1
zj 2000 - 20 M 400 200 0 200
cj - zj 0 0 0 -200
Tabel 5.8 sudah optimal karena nilai cj – zj nya semuanya nol (0) atau
negatif.
Solusi optimal untuk permasalahan ini adalah:
x1 = 20
x2 = 10
s1 = 40
Z = 10.000

Aturan untuk meyiapkan batasan ≤, ≥, dan = untuk metode simplex
Batasan Penyesuaian Koefisien Fungsi Tujuan

Maksimasi Minimasi
≤ Tambah variabel pengurang 0 0
= Tambah variabel artifisial -M M
≥ Kurang variabel penambah dan 0 0
tambah variabel artifisial -M M
5.5 MASALAH JENIS PROGRAMA LINIER YANG TIDAK TERATUR
Bentuk dasar dari masalah maksimasi dan minimasi yang khas telah
ditunjukkan pada bab 4 dan pada awal bab ini. Ada beberapa masalah
khusus program linier yang akan dijelaskan berikut, yaitu permasalahan-
permasalahan solusi optimal majemuk, masalah tidak layak, masalah solusi tidak
terbatas.
a. Solusi Optimal Majemuk
Misalkan dari kasus PT XYZ fungsi tujuannya diubah dari Z = 4x1 +

5x2 menjadi Z = 4x1 + 3x2.
Formulasi modelnya adalah
Memaksimumkan Z = 4x1 + 3x2

Terbatas pada
1x1 + 2x2 ≤ 40
4x1 + 3x2 ≤ 120
x1 , x2 ≥ 0
Grafik dari model ditunjukkan oleh gambar 5.1.
Perubahan pada fungsi tujuan membuat garis fungsi tujuan menjadi

sejajar dengan garis batasan 4x1 + 3x2 ≤ 120. Kedua garis ini mempunyai
kemiringan yang sama.
Solusi optimalnya berada di garis B dan C, sehingga terdapat beberapa

pilihan solusi optimalnya.

x1
40
30
20 A
10 B
C
0 10 20 30 40 x2
Gambar 5.1 Solusi optimal majemuk model PT XYZ.

10 20 30 40 x2
Tabel simplex optimalnya
Tabel 5.9 Tabel Simplex Optimal

10 20 30 40 x2
cj 4 5 0 0
Variabel Kuantitas
Dasar x1 x2 s1 s2
0 s1 10 0 5/4 1 -1/4
4 x1 30 1 3/4 0 ¼
zj 120 4 3 0 1
cj - zj 0 0 0 -1
Tabel 5.9 berhubungan dengan titik C pada grafik.
Bukti adanya solusi optimum majemuk untuk masalah ini dapat

ditentukan pada baris cj - zj .
Solusi optimal majemuk diindikasikan oleh nilai 0 (nol) pada baris

cj - zj (atau zj - cj) untuk variabel bukan dasar. Solusi optimal alternative.

Tabel 5.10 Tabel Simplex Optimal Alternatif
cj 4 5 0 0
Variabel Kuantitas
dasar x1 x2 s1 s2
5 x2 8 0 1 4/5 -1/5
4 x1 24 1 0 -3/5 2/5
zj 120 4 3 0 1
cj - zj 0 0 0 -1
b. Suatu Masalah yang Tidak Fisibel
Dalam beberapa kasus masalah Program Linier tidak mempunyai

daerah fisibel, jadi tidak terdapat solusi fisibel dasar pada masalah tersebut.
Contoh
Terbatas pada
4x1 + 2x2 ≤ 8
x1 ≥ 4
x2 ≥ 6
x1 , x2 ≥ 0
Tugas: Coba gambarkan model Progam Linier tersebut, cari solusi

optimumnya dengan metode grafik.
c. Suatu Masalah Tidak Berbatas
Dalam beberapa kasus masalah daerah solusi yang layak dibentuk

oleh batasanbatasan model tidak tertutup.
Dalam hal ini fungsi tujuan mungkin saja akan naik terus-menerus
tidak terbatas tanpa mencapai nilai maksimum, mengingat fungsi tujuan
tidak akan pernah mencapai batas daerah solusi yang layak.
Contoh:
Terbatas pada
x1 ≥ 4
x2 ≤ 2
x1 , x2 ≥ 0

Tugas: Coba gambarkan model Progam Linier tersebut, cari solusi
optimumnya dengan metode grafik.
Kesimpulan dari Simplex yang irreguler
Solusi optimal majemuk diidentifikasikan oleh nilai cj – zj (atau zj - cj)

= 0 untuk variabel bukan non dasar. Sedangkan untuk menentukan solusi
pengganti, masukkan variabel yang memiliki nilai cj – zj sama dengan nol.
Latihan
1. Buat Solusi Model di bawah ini menggunakan tabel simplex
meminimumkan Z = 8 x1 + 6 x2
terbatas pada
4 x1 + 2 x2 ≥ 10
- 6 x1 + 4x2 ≤ 12
x1 + x2 ≥ 6
x1 , x2 ≥ 0

6
ANALISIS POST OPTIMAL
6.1 PENDAHULUAN
Begitu solusi suatu masalah Programa Linier telah ditemukan,

mungkin kita cenderung untuk berhenti menganalisis model tersebut.
Namun analisis lebih jauh atas solusi optimal akhir justru dapat
menghasilkan informasi yang lebih berguna. Solusi optimal dari suatu model
programa linier dapat dianalisis dengan dua cara, yaitu:
1. Merumuskan dan menginterpretasikan dual dari model.

2. Menganalisis dampak yang terjadi pada solusi optimal atas perubahan-
perubahan yang terjadi pada koefisien-koefisien batasan model dan
fungsi tujuan. Proses ini dikenal dengan analisis sensitivitas.
Dual adalah suatu bentuk alternatif model berisi informasi mengenai

nilai-nilai sumber yang biasanya membentuk sebagai batasan model.
6.2 MODEL DUAL DARI PRIMAL
Setiap model programa linier mempunyai dua bentuk: Primal dan

Dual. Bentuk asli dari progama linier disebut Primal. Contoh model pada
bab-bab sebelumnya adalah model-model primal. Dual adalah bentuk
alternatif model yang dikembangkan sepenuhnya dari bentuk primal.
MODEL DUAL MAKSIMASI
Ilustrasi 6.1: Model Dual Model Primal Maksimasi
Contoh berikut akan memperlihatkan bagaimana bentuk dual dari

suatu model dikembangkan dan apa arti dari dual tersebut.

Toko Mebel ‘Gaya’ memproduksi meja dan kursi yang dihitung atas
dasar harian. Tiap meja yang diproduksi menghasilkan keuntungan Rp 160,
sedangkan tiap kursi menghasilkan keuntungan Rp 200. Produksi meja dan
kursi ini bergantung pada tersedianya sumber-sumber yang terbatas (tenaga
kerja, kayu, dan gudang tempat penyimpanan). Kebutuhan sumber-sumber
untuk memproduksi meja dan kursi serta jumlah total sumber yang tersedia
adalah sebagai berikut
Kebutuhan sumber
Sumber Meja Kursi Jumlah yang tersedia
Tenaga Kerja 2 jam 4 40 jam
Kayu 18 kubik 18 kubik 216 kubik
Gudang penyimpanan 24 m2 12 m2 240 m2
Perusahaan ingin mengetahui berapa banyak meja dan kursi yang

harus diproduksi untuk memaksimumkan keuntungan. Model tersebut
diformulasikan sebagai berikut:
Memaksimumkan Z = 160 x1 + 200 x2

Terbatas pada:
2 x1 + 4 x2 ≤ 40 jam tenaga kerja
18 x1 + 18 x2 ≤ 216 kubik kayu
24 x1 + 12 x2 ≤ 240 m2 tempat penyimpanan
x1 , x2 ≥ 0
dimana
x1 = jumlah meja yang diproduksi
x2 = jumlah kursi yang diproduksi
Model di atas mewakili model Primal.
Untuk suatu model maksimasi primal, bentuk dualnya merupakan

suatu model minimasi.
Bentuk dual untuk contoh model ini adalah:
Meminimumkan Zd = 40 y1 + 216 y2 + 240 y3

Terbatas pada
2 y1 + 18 y2 + 24 y3 ≥ 160
4 y1 + 18 y2 + 12 y3 ≥ 200
y1 , y2 , y3 ≥ 0

Hubungan khusus antara primal dan dual yang diperlihatkan pada
contoh di sini adalah sebagai berikut.
1. Variabel y1 , y2 , y3 berhubungan dengan batasan model primal. Untuk

setiap batasan dalam primal terdapat satu variable dual. Sebagai contoh,
dalam kasus ini primal mempunyai tiga batasan, karena itu dual memiliki
tiga variable keputusan.
2. Nilai kuantitas pada sisi kanan pertidaksamaan batasan primal

merupakan koefisien fungsi tujuan dual. Nilai-nilai batasan primal, yaitu
40, 216, dan 240 membentuk fungsi tujuan dual:
Z = 40 y1 + 216 y2 + 240 y3
3. Koefisien batasan model primal merupakan koefisien variable keputusan
dual. Contoh batasan tenaga kerja dalam primal mempunyai koefisien 2
dan 4. Nilai-nilai ini merupakan koefisien variable y1 dalam batasan
model dual: 2 y1 dan 4 y1
4. Koefisien fungsi tujuan primal, yaitu 160 dan 200 mewakili kebutuhan
batasan model (nilai kualitas pada sisi kanan batasan) dual.
Hubungan antara primal-dual dapat diamati dengan cara

membandingkan bentuk kedua model tersebut seperti ditunjukkan pada
gambar berikut.
Primal Dual
Memaksimumkan Meminimumkan
Z = 160 x1 + 200 x2 Z = 40 y1 + 216 y2 + 240 y3
Terbatas pada:
Terbatas pada
2 x1 + 4 x2 ≤ 40
18 x1 + 18 x2 ≤ 216 2 y1 + 18 y2 + 24 y3 ≥ 160
24 x1 + 12 x2 ≤ 240
4 y1 + 18 y2 + 12 y3 ≥ 200
x1 , x2 ≥ 0 y1 , y2 , y3 ≥ 0

Masalah Primal (atau Dual) Masalah Dual (atau Primal)
Koefisien fungsi tujuan ……………… Nilai kanan fungsi batasan

Maksimumkan Z (atau Y) …………... Minimumkan Y (atau Z)
Batasan i ……………………………… Variabel yi (atau xi)
Bentuk ≤ ………………………………. yi ≥ 0
Bentuk = ………………………………. yi ≥ dihilangkan
Variabel xj ……………………………. Batasan j
xj ≥ 0 ………………………………...... Bentuk ≥
xj ≥ 0 dihilangkan ………………….... Bentuk =
MODEL DUAL MINIMASI
Bentuk primal standar untuk permasalahan minimasi, semua batasan

mempunyai tanda pertidaksamaan ≥ .
Ilustrasi 6.2: Model Dual Model Primal Minimasi
Formulasi Model Primal Minimasi

Meminimumkan Z = 6x1 + 3x2
Terbatas pada
2 x1 + 4 x2 ≥ 16
4 x1 + 3 x2 ≥ 24
x1 , x2 ≥ 0
Dual dari model ini diformulasikan sebagai berikut:
Memaksimumkan Zd = 16 y1 + 24 y2
Terbatas pada
2 y1 + 4 y2 ≤ 6
4 y1 + 3 y2 ≤ 3
y1 , y2 ≥ 0
SUATU MASALAH BATASAN CAMPURAN
Ilustrasi 6.3: Model Dual Model Primal Campuran
Formulasi Model Primal Campuran

Terbatas pada
x1 + 4 x2 ≤ 40

3 x1 + 2 x2 = 60
2 x1 + x2 ≥ 25
x1 , x2 ≥ 0
Satu kondisi yang diperlukan untuk mentransformasikan masalah

primal ke dalam bentuk dual adalah bahwa primal harus dalam bentuk
standar. Untuk suatu maksimasi primal, semua batasan model harus ≤; dan
untuk suatu minimasi primal, semua batasan harus ≥.
Jadi saat model maksimasi mencakup batasan campuran, langkah

pertama adalah mengubah semua batasan model ke dalam bentuk ≤.
a. Batasan pertama
x1 + 4 x2 ≤ 40 → telah dalam bentuk tepat.
b. Batasan kedua
3x1 + 2 x2 = 60 → harus diubah ke dalam bentuk ≤ (kasus maksimasi).
Persamaan ini ekuivalen dengan dua batasan berikut:
b.1 3x1 + 2 x2 ≥ 60
b.2 3x1 + 2 x2 ≤ 60
Batasan b.1 belum memenuhi syarat, dan batasannya harus diubah ke

dalam bentuk ≤. Untuk itu batasan b.1 dikalikan dengan bilangan (-1),
sehingga batasan sekarang menjadi:
-3x1 - 2 x2 ≤ - 60
c. Batasan model terakhir
2 x1 + x2 ≥ 25
Sama halnya dengan batasan b.1, batasan terakhir (c) ini harus diubah ke
dalam bentuk batasan primal standar (kasus maksimasi batasan primal
standar harus ≤ 0).
Untuk itu batasan terakhir harus dikalikan dengan bilangan (-1), sehingga
diperoleh batasan primal standarnya adalah

- 2 x1 - x2 ≤ - 25
Dengan demikian, maka model primal bentuk standar dapat

disimpulkan sebagai berikut:
Memaksimumkan Zp = 10x1 + 6x2

Terbatas pada
x1 + 4 x2 ≤ 40
3x1 + 2 x2 ≤ 60
-3x1 - 2 x2 ≤ -60
- 2 x1 - x2 ≤ - 25
x1 , x2 ≥ 0
Bentuk dual dari model ini diformulasikan sebagai:
Meminimumkan Zd = 40 y1 + 60 y2 - 60 y3 - 25 y4
Terbatas pada
y1 + 3y2 - 3y3 - 2y4 ≥ 10
4y1 + 2 y2 - 2 y3 - y4 ≥ 6
y1,y2 ,y3 ,y4 ≥ 0
6.3 PENGGUNAAN DUAL
Manfaat utama dari dual bagi pengambil keputusan terletak pada

informasi yang dihasilkan, antara lain tentang sumber-sumber model serta
mereka dapat melihat alternatif permasalahan dari sisi yang berbeda.
Seringkali manajer tidak terlalu menaruh perhatian pada laba akan

tetapi lebih pada penggunaan sumber-sumber karena manajer lebih sering
mempunyai kendala atas penggunaan sumber-sumber daripada atas
akumulasi laba.
Solusi dual memberikan informasi kepada manajer mengenai nilai dari

sumber-sumber yang terutama penting dalam pengambilan keputusan untuk
menentukan apakah perlu menambah sumber-sumber serta biaya yang harus
dikeluarkan untuk tambahan tersebut.

6.4 ANALISIS SENSITIVITAS
Setelah ditemukan penyelesaian optimal dari suatu masalah Programa

Linier, kadang-kadang dirasa perlu untuk mengkaji lebih jauh berbagai
kemungkinan seandainya terjadi perubahan-perubahan pada koefisien-
koefisien di dalam model pada saat tabel optimal telah diseselaikan.
Jika hal itu terjadi, seseorang dapat saja memutuskan untuk

menghitung kembali dari awal dengan masalah baru (karena perubahan
koefisien tertentu). Tentu saja apabila cara ini dilakukan akan memakan
waktu yang lama karena ia harus menghitung segala sesuatunya kembali.
Untuk menghindarinya biasanya digunakan suatu cara yang

dinamakan analisis sensitivitas, yang pada dasarnya memanfaatkan kaidah-
kaidah metode simplex primal-dual semaksimal mungkin. Karena analisis
dilakukan setelah dicapainya penyelesaian optimal, maka analisis ini sering
disebut pula: Post Optimality Analysis.
Tujuan analisis sensitivitas adalah mengurangi perhitungan-

perhitungan dan menghindari perhitungan ulang, apabila terjadi perubahan-
perubahan satu atau beberapa koefisien model Progama Linier pada saat
penyelesaian optimal telah dicapai.
Pada dasarnya perubahan-perubahan yang mungkin terjadi setelah

dicapainya penyelesaian optimal terdiri dari beberapa macam, yaitu:
1. Keterbatasan kapasitas sumber daya. Dengan kata lain, nilai kanan

fungsifungsi batasan.
2. Koefisien-koefisien fungsi tujuan.
3. Koefisien-koefisien teknis fungsi-fungsi batasan, yaitu koefisien-koefisien
yang menunjukkan berapa bagian kapasitas sumber yang ”dikonsumsi”
oleh satu satuan kegiatan.
4. Penambahan variabel-variabel baru.
5. Penambahan batasan baru.

Latihan
Buat Formulasi Model Dual dari Model Primal Berikut
1. Memaksimumkan Z = 4x1+5 x2
terbatas pada
1x1 + 2x2 ≤ 40
4x1 + 3x2 ≤ 120
x1 , x2 ≥ 0
2. Meminimumkan Z = 3x1 + 5x2 + 2x3

terbatas pada
x1 + x2 + x3 = 1000
x1 ≥ 200
x2 ≥ 400
x3 ≤ 300
x1, x2 , x3 ≥ 0
3. Memaksimumkan Z = 4 x1 + 5 x2
terbatas pada
x1 + 2 x2 ≤ 10
6 x1 + 6 x2 ≤ 36
x2 ≤ 4
x1 , x2 ≥ 0
4. Meminimumkan Z = 8 x1 + 6 x2
terbatas pada
4 x1 + 2 x2 ≥ 10
- 6 x1 + 4x2 ≤ 12
x1 + x2 ≥ 6
x1 , x2 ≥ 0
terbatas pada
2x1 ≤ 8
3x2 ≤ 15
6 x1 + 5 x2 ≤ 30
x1 , x2 ≥ 0
6. Meminimumkan Z = 5 x1 + 2 x2
terbatas pada

6 x1 + x2 ≥ 6
4 x1 + 3 x2 ≥ 2
x1 + 2 x2 ≥ 4
x1 , x2 ≥ 0

terbatas pada
x1 + x2 = 30
2x1 + 8x2 ≥ 80
x1 ≤ 20
x1 , x2 ≥ 0

7
MASALAH TRANSPORTASI
7.1 PENDAHULUAN
Metode transportasi merupakan suatu metoda yang digunakan untuk

mengatur distribusi dari sumber-sumber (S) yang menyediakan produk yang
sama ke tempat-tempat yang membutuhkan (tujuan, T) secara optimal.
Alokasi produk ini harus diatur sedemikian rupa, karena terdapat

perbedaan biaya-biaya pengalokasian dari satu sumber ke tempat-tempat
tujuan berbeda-beda, dan dari beberapa sumber ke suatu tempat tujuan yang
juga berbeda-beda.
Metode transportasi ini dapat juga digunakan untuk memecahkan

beberapa permasalahan bisnis, seperti pengiklanan, pembelanjaan modal,
alokasi dana untuk investasi, analisis lokasi, keseimbangan lini produksi
perakitan dan perencanaan serta penjadualan produksi.
Sumber Tujuan
X11
S1 T1
X12
X13
X21
S2 T2
X22
X23
Xm1
Sm Xm2 Tm
Xm3
Gambar 7.1 Model transportasi dari sebuah jaringan dengan m sumber dan n
tujuan

7.2 MODEL TRANSPORTASI
Model transportasi diformulasikan menurut karakteristik-

karakteristik unik permasalahannya sebagai berikut:
1. Suatu barang dipindahkan dari sejumlah sumber ke tempat tujuan

dengan biaya seminimum mungkin.
2. Atas barang tersebut tiap sumber dapat memasok suatu jumlah yang
tetap dan tiap tempat tujuan mempunyai jumlah permintaan yang tetap.
Meskipun model transportasi umum ini dapat diterapkan pada

berbagai permasalahan, namun yang paling lazim adalah penerapan pada
transportasi barang. Persoalan transportasi merupakan bagian dari bentuk
persoalan program linier khusus yang disebut persoalan aliran jaringan kerja.
Jaringan kerja adalah susunan titik (disebut node) dan garis (disebut
anak panah) yang menghubungkan node-node.
Contoh fisik jaringan kerja meliputi kota dan jalan yang

menghubungkannya, jaringan kerja distribusi air (anak panahnya adalah
pipa dan nodenya adalah stasiun pemompaan dan titik percabangan dari
pipa besar ke pipa kecil).
Secara umum, model dalam persoalan transportasi dapat

digambarkan dalam suatu tabel yang menunjukkan sisi penawaran
(kapasitas persediaan) dan jumlah permintaan, serta biaya transportasi dari
masing-masing sumber ke masing-masing tujuan.
Tabel 7.1 Tabel Transportasi

Tujuan Tujuan Tujuan Tujuan Tujuan Kapasitas
T1 T2 T. Tn Persediaan
Asal ai
S1 c11 c12 c1. c1n
X11 X12 X1. X1n a1
S2 c21 c22 c2. c2n
X21 X22 X2. X2n a2
... c.1 c.2 c.. c.n
X.1 X.1 X.. X.n ...
Sm cm1 cm2 cm. cmn am
Xm1 Xm2 Xm. Xmn
Permintaan b1 b2 .. bm
(Kebutuhan)
bj
Keterangan :
Si = Tempat ke- i asal barang (sumber)

m = Jumlah tempat asal (sumber)
Tj = Tempat ke- j, Tujuan Barang
n = Jumlah tempat tujuan
Xij = Jumlah barang yang akan didistribusikan dari sumber Si ke tujuan Tj
aij = Biaya distribusi 1 unit barang dari Si ke Tj
ai = Jumlah seluruh barang (kapasitas persediaan) dari Si
bj = Kapasitas Kebutuhan barang di Tj
Model Persoalan Transportasi
Fungsi Tujuan
Meminimumkan
Terbatas pada
Xij ≥ 0

Tahap Penyelesaian Kasus Transportasi :
1. Buat Tabel Transportasi (Lihat Tabel 7.1)

2. Tentukan Penyelesaian Awal
Syarat :
Penyelesaian awal (pengisian tabel tahap pertama) dapat dilakukan

dengan 3 cara :
• Metode North West Corner

• Metode Least Cost
• Metode Vogel
3. Lakukan Cek Optimalisasi

Metode Stepping Stone
Modified Distribution Method (Modi)
4. Lakukan Perbaikan Tabel

5. Kembali ke Langkah 3
Contoh 7.1 Model Transportasi Standar
PT ABCD memiliki 3 pabrik motor di Karawang, Bandung dan

Cilegon dan 2 distributor utama di Jakarta dan Bekasi. Jumlah produksi
motor tiap pabrik dalam satu tahun adalah 100 unit, 150 unit dan 50 unit.
Permintaan kedua distributor setiap tahunnya masing masing sejumlah 175
unit dan 125 unit.
Biaya pengiriman tiap unit motor dari tiap pabrik ke tiap distributor
ditunjukkan pada matriks berikut :
PABRIK DISTRIBUTOR
Bekasi Jakarta
Karawang 40 50
Cilegon 100 70
Bandung 60 80
Tentukan pendistribusian yang optimal ( jumlah pengiriman motor

dari tiap pabrik ke tiap distributor, dengan total biaya minimal )

Penyelesaian:
Model Programa Linier dari masalah di atas dapat dirumuskan

sebagai berikut.
X11 = Jumlah motor yang dikirim dari Karawang ke Bekasi

X12 = Jumlah motor yang dikirim dari Karawang ke Jakarta
X21 = Jumlah motor yang dikirim dari Cilegon ke Bekasi
X22 = Jumlah motor yang dikirim dari Cilegon ke Jakarta
X31 = Jumlah motor yang dikirim dari Bandung ke Bekasi
X32 = Jumlah motor yang dikirim dari Bandung ke Jakarta
Model Persoalan Transportasi
Meminimumkan Z = 40X11 + 50X12 + 100X21 + 70X22 + 60X31 + 80X32

Terbatas pada
X11 + X12 = 100

X21 + X22 = 50
X31 + X32 = 150
X11 + X21 + X31 = 125
X12 + X22 + X32 = 175
X1, X2,.............., X6 ≥ 0
1. Buat Tabel Transportasi
Ke Distributor Distributor Kapasitas

Dari Bekasi Jakarta Pabrik ai
Pabrik 40 50 100
Karawang X11 X12
Pabrik 100 70 150
Cilegon X21 X22
Pabrik 60 80 50
Bandung X31 X32
Kebutuhan 125 175
Distributor
bj

2. Tentukan Penyelesaian Awal
Metode North West Corner (NWC)
Metode optimasi dari pojok kiri atas ke pojok kanan bawah.

Kelemahan : tidak memperhitungkan besarnya biaya, sehingga kurang
efisien
1) Pengisian sel dimulai dari sudut kiri atas tabel (yaitu sel X11). Bandingkan
persediaan di S1 dengan kebutuhan di T1, yaitu masing-masing a1 dan
b1. Cari X11 = min (a1, b1) 􀃆 pilih nilai paling minimal antara a1 dan b1.
a. Bila a1 > b1, maka X11 = b1. Teruskan ke sel X12, kemudian tentukan
nilai X12 = min (a1 - b1 , b2).
b. Bila a1 < b1, maka X11 = a1. Teruskan ke sel X21, kemudian tentukan
nilai X21 = min (b1 – a1 , a2).
c. Bila a1 = b1, buat X11 = b1. Teruskan ke sel X22.
2) Teruskan langkah tersebut, setahap demi setahap menjauhi sudut kiri

atas, hingga akhirnya harga telah dicapai pada sudut kanan bawah.
Ke Bekasi Jakarta
Dari ai
Karawang 40 50 100
100
Cilegon 100 70 150
25 125
Bandung 60 80 50
50
bj 125 175
Pengisian sel dimulai dari sudut kiri atas tabel, yaitu sel X11. a1 = 100
dan b1 = 175 Cari!
X11 = min (100, 175) = 100 karena a1 < b1. (nilai a1 sudah terpenuhi sebanyak
100)
X21 = min (b1 – a1 , a2) = min (175 – 100 , 150) = 75 (nilai b1 sudah terpenuhi
sebanyak 175)
X22 = min (a2 – b1, b2) = (150 – 75, 150) = 75 (nilai a2 sudah terpenuhi
sebanyak 150)
X32 = min (b2 – a2, a2) = (125 – 75, 150) = 50 (nilai b2 sudah terpenuhi
sebanyak 125)

Biaya Minimalnya adalah
Z = 40 X11 + 50X12 + 100X21 + 70X22 + 60X31 + 80X32

= 40 (100) + 50 (0) + 100 (25) + 70 (125) + 60 (0) + 80 (50)
= 4000 + 2500 + 8750 + 4000 = 19250
Metode Least Cost
Mencari dan memenuhi yang biayanya terkecil dulu.

Lebih efisien dibandingkan dengan NWC.
Cara ongkos baris terkecil
1) Kita mulai dari baris a1. Kita mencari ongkos terkecil pada baris ini.
Misalkan terjadi pada kolom Tk. Kemudian tentukan X1k = min (a1, bk).
Jika X1k = a1, tinggalkan baris a1 dan teruskan ke baris a2.

Jika X1k = bk, tinggalkan kolom Tk dan tentukan ongkos terkecil pada
baris a1 kembali. Kalau ini terjadi pada kolom 1, maka buatlah X11 = min
(a1 – b1k, b1). Teruskan proses ini hingga baris a1 telah terpenuhi dan
sesudah itu pindah ke baris a2.
Ke Bekasi Jakarta
Dari ai
Karawang 40 50 100
100
Cilegon 100 70 150
150
Bandung 60 80 50
25 25
Pada bj 125 175 baris

pertama a1, ongkos terkecil terjadi pada T1 (Bekasi = 40). Karena itu X11 =
min (a1, b1) = 100.
Baris pertama kita tinggalkan dan kita cari ongkos terkecil pada kolom b1
tanpa baris a1. Ini terjadi pada a3 (ongkosnya = 60). Maka X31 = min(b1-
a1, a3) = min (175 – 100, 50) = 50.

Kita lanjutkan pada baris kedua a2, ongkos terkecil dari baris terjadi pada
T2 (Jakarta = 70). Karena itu X22 = min (a2, b2) = (150, 125) = 125.
Pada baris kedua a2, ongkosnya belum sama dengan a2, yaitu 150, maka
ongkos terkecil pada baris ini tinggal T1 (Bekasi = 100). Karena itu X21 =
min ( a2 - b2 , b1 – a1 – a3) = min ( 150 – 125, 175 – 100 – 50) = 25
Biaya Min Z = 40 X11 + 50X12 + 100X21 + 70X22 + 60X31 + 80X32

= 40 (100) +50 (0) + 100 (0) + 70 (150) + 60 (25) + 80 (25)
= 4000 + 0 + 0 + 10500 + 1500 + 2000= 18000
Metode Vogel
Metode Vogel merupakan metode yang lebih mudah dan lebih cepat
untuk mengatur alokasi dari beberapa sumber ke daerah tujuan.
Tahap tahap penyelesaian metode vogel adalah sebagai berikut :
1) Tentukan selisih ongkos terkecil dan kedua terkecil dari tiap tiap baris dan
tiap tiap kolom.
2) Pilih baris atau kolom yang memiliki selisih ongkos terbesar
3) Isikan pada sel yang memiliki ongkos terkecil di baris atau kolom yang
terpilih pada langkah 2.
4) Lanjutkan sampai selesai
Kembali ke contoh sebelumnya, kita akan menggunakan metode

Vogel. Tentukan selisih ongkos terkecil dan kedua terkecil dari tiap tiap baris
dan tiap tiap kolom.

Pilih baris atau kolom yang memiliki selisih ongkos terbesar
Ke Gudang Gudang Kapasitas Perbedaan Baris

Ke Gudang40 Gudang50 100
Kapasitas 10
Perbedaan Baris
Pabrik 100
40 70
50 100
150 (50 – 40) = 10
30
Cilegon
Karawang
Pabrik 60
100 80
70 50
150 20
(100-70) = 30
Bandung
Cilegon
Kebutuhan
Pabrik 175 60 125 80 50 (80-60) = 20
Gudang
Bandung
bj
Kebutuhan 175 125
Perbedaan
Gudang 20 20 XciJkt=150
Kolom
bj Hilangkan baris
Perbedaan (60- 40) = 20 (70-50) = 20 Cilegon
Kolom
Pabrik
KarawangKe Gudang Gudang Kapasitas Perbedaan Baris
Pabrik 40 50 100 10
Karawang
Pabrik 60 80 50 20
Bandung
Kebutuhan 175-30=145 125
Gudang
bj
Perbedaan 20 20 XkaBe =145
Kolom Hilangkan
kolom Bekasi
Ke Gudang Kapasitas Perbedaan Baris

Dari Jakarta Pabrik ai
Pabrik 50 100-40=60 10
Karawang
Pabrik 80 50 20
Bandung
Kebutuhan 125
Gudang
bj
Perbedaan 20
Kolom

Biaya Transportasinya adalah
Z = 150 x 70 + 145 x 40 + 125 x 50 = 22550
3. Cek Optimalitas
Syarat :
Jumlah sel yang terisi : (m + n) – 1
m = jumlah baris tabel transportasi
n = jumlah kolom tabel transportasi
Cek optimalitas dapat dilakukan dengan 2 cara,

Metode Stepping Stone atau
Metode MODI (modified distribution)
Metode Stepping Stone
Ke Gudang Gudang Kapasitas

Dari Bekasi Jakarta Pabrik
ai
Pabrik 40 50 100
Karawang 100
Pabrik 100 70 150
Cilegon 75 75
Pabrik 60 80 50
Bandung 50
Kebutuhan 175 125
Gudang bj
Biaya : 100(40) + 75(100) + 75(70) + 50(80) = 4000 + 7500 + 5250 + 4000

= 20750
Periksa sel kosong :
c12 (Pabrik Karawang – Gudang Jakarta) = 50 – 70 + 100 – 40 = 40

c31 (Pabrik Bandung – Gudang Jakarta) = 60 – 100 + 70 – 80 = -50
Karena cek pada c31 menghasikan nilai negatif (-), maka perlu
dilakukan perubahan tabel, sebagai berikut :

Ke Gudang Gundag Kapasitas
Dari Bekasi Jakarta Pabrik
ai
Pabrik 40 50 100
Karawang 100
Pabrik 100 70 150
Cilegon 25 125
Pabrik 60 80 50
Bandung 50 50
Kebutuhan 175 125
Gudang bj
Biaya : 100(40) + 25(100) + 125(70) + 50(60) = 4000 + 2500 + 8750 + 3000=

18250
Cek sel kosong :
c12 = 50 – 70 + 100 – 40 = 40
c32 = 80 – 60 + 100 – 70 = 50
Karena harga cij sudah tidak ada yang negatif, maka distrusi tersebut sudah
optimal
Metode Modi (Modified Distribution)
Ke Gudang Bekasi Gudang Jakarta Kapasitas Pabrik

Dari (v1) (v2) ai
Pabrik Karawang (u1) 40 50 100
100
Pabrik Cilegon (u2) 100 70 150
75 75
Pabrik Bandung (u3) 60 80 50
50
Kebutuhan Gudang bj 175 125
Hitung setiap sel yang terisi dengan cara:

c11 (Pabrik Karawang – Gudang Bekasi) = u1 + v1 = 40
c21 (Pabrik Cilegon – Gudang Bekasi) = u2 + v1 = 100
c22 (Pabrik Cilegon – Gudang Jakarta) = u2 + v2 = 70
c32 (Pabrik Bandung – Gudang Jakarta) = u3 + v2 = 80

Jika kita asumsikan bahwa nilai u1 = 0, maka nilai setiap ui dan vj akan
diperoleh:
c11 (Pabrik Karawang – Gudang Bekasi) = 0 + v1 = 40
c21 (Pabrik Cilegon – Gudang Bekasi) = u2 + 40 = 100
c22 (Pabrik Cilegon – Gudang Jakarta) = 60 + v2 = 70
c32 (Pabrik Bandung – Gudang Jakarta) = u3 + 10 = 80
Nilai v1 = 40, u2 = 60, v2 = 10 , u3 = 70
Untuk sel kosong :

c12(Pabrik Karawang – Gudang Jakarta) = 50 – u1 – v2 = 50 – 0 – 10 = 40
c31(Pabrik Bandung – Gudang Bekasi) = 60 – u3 – v1 = 60 – 70 – 40 = -50
Karena uji pada sel c31 menghasikan nilai negatif (-), maka perlu
dilakukan perubahan tabel, sebagai berikut:
Ke Gudang Bekasi Gudang Jakarta ai

Dari
Pabrik 40 50 100
Karawang 100
Pabrik 100 70 150
Cilegon 25 125
Pabrik 60 80 50
Bandung 50
bj 175 125
Sel terisi akan diperoleh persamaan sebagai berikut

c11 (Pabrik Karawang – Gudang Bekasi) = u1 + v1 = 40
c21 (Pabrik Cilegon – Gudang Bekasi) = u2 + v1 = 100
c22 (Pabrik Cilegon – Gudang Jakarta) = u2 + v2 = 70
c31 (Pabrik Bandung – Gudang Bekasi) = u3 + v1 = 60
Jika kita misalkan nilai u1=0, maka harga setiap ui dan vj adalah sebagai
berikut
v1 = 40, u2 = 60, v2 = 10 , u3 = 20
Sel kosong :
c12 = 50 – u1 – v2 = 50 – 0 – 10 = 40
c32= 80 – u3 – v2 = 60 – 20 – 10 = 50

Karena harga cij sudah tidak ada yang negatif, maka distrusi tersebut
sudah optimal.
Latihan
1. Sebuah perusahaan penggilingan beras memiliki 30 truk beras di

Karawang dan 60 truk di Cirebon. Sementara itu dari Bogor, Bandung dan
Garut telah datang pesanan beras masing-masing 20, 36, dan 34 truk.
Pimpinan perusahaan menginginkan suatu rencana pengangkutan yang
paling murah, berdasarkan ongkos angkutan seperti pada tabel berikut
(per truk):
Ke Bogor Bandung Garut

Dari
Karawang $42 $55 $60
Cirebon $36 $47 $51
Buat rencana pengangkutan yang meminimumkan ongkos transportasi!
2. Sebuah perusahaan perminyakan mempunyai persediaan minyak 300.000

barel di Istambul, 200.000 barel di Dubai, dan 150.000 barel di Saudi
Arabia. Seorang pembeli di Roma memesan 400.000 barel dan pembeli di
Paris memesan 250.000 barel. Ongkos pengangkutan setiap barelnya
diperlihatkan dalam tabel berikut.
Istambul Dubai Saudi Arabia
Roma 38 10 18
Paris 34 22 25

8
MASALAH PENUGASAN
8.1 PENDAHULUAN
Model penugasan merupakan kasus khusus dari model transportasi,

dimana sejumlah m sumber ditugaskan ke sejumlah n tujuan (satu sumber
untuk satu tujuan), sedemikian sehingga didapat ongkos total yang
minimum.
Biasanya yang dimaksud dengan sumber adalah pekerja, sedangkan

yang dimaksud dengan tujuan adalah mesin/pekerjaan. Salah satu metode
yang digunakan untuk Penugasan adalah metode Hungarian.
Penggambaran umum persoalan penugasan adalah sebagai berikut
Pekerjaan
1 2 3 4 .. n
Karyawan 1
2
..
m
Syarat Penggunaan Model Penugasan

a. Jumlah Sumber/Pekerja = Jumlah Pekerjaan
b. Tiap Pekerja untuk satu pekerjaan
c. Jika ada n sumber, n tujuan/pekerjaan, maka kemungkinan penugasan = n.

8.2 MASALAH MINIMASI
Contoh:
Suatu perusahaan mempunyai 4 karyawan dengan tingkat
produktivitas berbeda dan 4 jenis pekerjaan yang berbeda-beda. Biaya
penugasan tiap karyawan untuk pekerjaan yang berbeda-beda tersebut dapat
dilihat pada tabel 8.1
Tabel 8.1 Matrik Biaya
Pekerjaan (Biaya x Rp 1000)

I II III IV
Karya A 15 20 18 22
wan B 14 16 21 17
C 25 20 23 20
D 17 18 18 16
Bagaimana menugaskan keempat karyawan untuk mendapatkan

biaya minimum?
Langkah Penyelesaian Metode Penugasan
1. Menyusun tabel seperti tabel 8.1

2. Melakukan pengurangan matriks dengan cara:
a. Memilih biaya terkecil dari setiap baris.

I II III IV
Karya A 15 20 18 22 Nilai 15
wan B 14 16 21 17 Nilai 14
C 25 20 23 20 Nilai 20
D 17 18 18 16 Nilai 16
b. Kurangkan semua biaya dengan biaya terkecil setiap baris

I II III IV
karyaw A 15-15=0 20-15=5 18-15=3 22-15=7 Nilai 15
an B 14-14=0 16-14=2 21-14=7 17-14=3 Nilai 14
C 25-20=5 20-20=0 23-20=3 20-20=0 Nilai 20
D 17-16=1 18-16=2 18-16=2 16-16=0 Nilai 16
3. Melakukan pengurangan kolom

Berdasarkan hasil tabel di atas, pilih biaya terkecil setiap kolom untuk
mengurangi seluruh biaya dalam kolom-kolom tersebut.
Matriks total opportunity cost

I II III IV
A 0 5 3-2=1 7
B 0 2 7-2=5 3
C 5 0 3-2=1 0
D 1 2 2-2=0 0 Nilai 2 kolom III
4. Membentuk penugasan optimum

Prosedur praktis untuk melakukan uji optimalisasi adalah dengan
menarik sejumlah minimum garis horizontal dan/atau vertikal untuk
meliputi seluruh elemen yang bernilai nol dalam matriks total
opportunity cost. Jika jumlah garis sama dengan jumlah baris/kolom
maka penugasan telah optimal. Jika tidak harus direvisi.

I II III IV
A 0 5 1 7
B 0 2 5 3
C 5 0 1 0
D 1 2 0 0

Dari tabel di atas ada tiga garis yang meliputi seluruh nilai nol
dibandingkan dengan empat baris atau kolom, sehingga masih
diperlukan revisi matriks.
5. Melakukan Revisi Tabel

a. Untuk merevisi matriks total opportunity cost, pilih angka terkecil
yang tidak terliput (dilewati garis).
b. Kurangkan angka yang dilewati garis dengan angka terkecil
c. Tambahkan angka yang terdapat pada persilangan garis dengan
angka terkecil.
d. Kembali ke langkah 4.

I II III IV
A 0 5-1 1-1 7-1 Nilai terkecil 1
B 0 2-1 5-1 3-1
C 5 0 1 0
D 1 2 0 0

I II III IV
A 0 4 0 6
B 0 1 4 2
C 6 0 1 0
D 2 2 0 0
Dalam tabel terakhir dibutuhkan 4 garis untuk meliput seluruh nilai nol
atau sama dengan jumlah baris/kolom, sehingga penugasan telah
optimal.
Karyawan A ditugaskan pada pekerjaan III = Rp 18.000

Karyawan B ditugaskan pada pekerjaan I = Rp 14.000
Karyawan C ditugaskan pada pekerjaan II = Rp 20.000
Karyawan D ditugaskan pada pekerjaan IV = Rp 16.000
Total Biaya (Min) = Rp 68.000

8.3 MASALAH MAKSIMASI
Metode penugasan Hungarian untuk minimasi juga dapat diterapkan

untuk penugasan yang menyangkut maksimasi. Dalam masalah maksimasi,
matriks elemen-elemen menunjukkan tingkat keuntungan (indeks
produktivitas). Efektivitas pelaksanaan tugas oleh karyawan secara
individual diukur dengan jumlah kontribusi keuntungan.
Contoh
Suatu perusahaan memiliki 5 karyawan dan masing-masing karyawan

tersebut dapat mengerjakan 5 jenis pekerjaan yang ada di perusahaan
tersebut. Adapun keuntungan dari hasil pekerjaan mereka adalah berbeda-
beda, seperti dapat terlihat pada tabel di bawah ini.
Pekerjaan ( keuntungan x Rp 1000)

I II III IV V
karyaw A 10 12 10 8 15
an B 14 10 9 15 13
C 9 8 7 8 12
D 13 15 8 16 11
E 10 13 14 11 17
Dari data di atas, tugaskanlah masing-masing karyawan ke masing-

masing pekerjaan sehingga keuntungan menjadi maksimal.
Langkah Penyelesaian:
1. Seluruh elemen dalam setiap baris dikurangi dengan nilai maksimum

dalam baris yang sama. Prosedur ini menghasilkan matriks Opportunity
Loss.

I II III IV V
A 5 3 5 7 0
B 1 5 6 0 2
C 3 4 5 4 0
D 3 1 8 0 5
E 7 4 3 0 0
Nilai-nilai ini sebenarnya negatif.

2. Dari hasil langkah 1, pilih elemen terkecil dari tiap-tiap kolom untuk
mengurangi elemen-elemen pada kolom yang sama, maka diperoleh
matriks total opportunity loss, seperti tabel di bawah ini.

I II III IV V
A 4 2 2 7 0
B 0 4 3 0 2
C 2 3 2 4 0
D 2 0 5 0 5
E 6 3 0 0 0
3. Melakukan jadual penugasan

a. Tarik sejumlah minimum garis horizontal dan vertikal untuk melipat
seluruh elemen bernilai nol.
b. Bila jumlah garis sama dengan jumlah kolom, maka penugasan
optimal adalah feasible. Bila tidak harus direvisi.

I II III IV V
A 2 0 0 5 0
B 0 4 3 0 2
C 0 1 0 2 0
D 2 0 5 0 5
E 6 3 0 0 0
Hasil penyelesaian pada tabel di atas telah optimal karena jumlah

garis = jumlah kolom = jumlah baris.
Tabel penugasan adalah sebagai berikut:
Karyawan A ditugaskan pada pekerjaan II = Rp 15.000

Karyawan B ditugaskan pada pekerjaan I = Rp 15.000
Karyawan C ditugaskan pada pekerjaan V = Rp 9.000
Karyawan D ditugaskan pada pekerjaan IV = Rp 15.000
Karyawan E ditugaskan pada pekerjaan III = Rp 14.000
Total Biaya (Maks) = Rp 68.000

8.4 MASALAH KETIDAKSEIMBANGAN
Jika ada penambahan pekerjaan, akan tetapi tidak diimbangi

penambahan pekerja, maka dalam model Penugasan Hungarian,
penyelesaiannya harus ditambah Variabel Semu (dummy variable).
Pada contoh minimasi di atas ada penambahan pekerjaan V, sehingga

harus ditambah dengan Karyawan Semu supaya dapat dilakukan
penyelesaian.

I II III IV V
A 15 20 18 22 21
B 14 16 21 17 15
C 25 20 13 20 27
D 17 18 18 16 18
DummyE 0 0 0 0 0
Prosedur penyelesaian sama dengan langkah-langkah sebelumnya.
Latihan
1. Sebuah perusahaan pengecoran logam mempunyai empat jenis mesin,
yaitu M1, M2, M3, dan M4. Setiap jenis mesin mempunyai kapasitas yang
berbeda dalam pengoperasiannya. Dalam minggu mendatang perusahaan
medapatkan pesanan untuk menyelesaikan empat jenis pekerjaan yaitu
J1, J2, J3, dan J4. Biaya pengoperasian setiap pekerjaan oleh keempat
mesin dapat dilihat pada tabel di bawah ini.
Mesin
M1 M2 M3 M4
J1 210 150 180 130
J2 140 160 200 190
J3 150 175 220 200
J4 200 175 160 190
Persoalannya adalah bagaimana menugaskan agar keempat mesin

dapat menyelesaikan keempat jenis pekerjaan dengan total biaya minimum.

2. Seorang pengusaha konveksi mempunyai 4 karyawati yang memproduksi
4 jenis produk. Jumlah produk yang dihasilkan masing-masing karyawan
tiap bulannya dapat dilihat pada tabel berikut.
karyawati Produk
Celana Rok Hem Baju Safari
A 210 150 180 130
B 140 160 200 190
C 150 175 220 200
D 200 175 160 190
Bagaimana penugasan agar jumlah produk yang dihasilkan maksimum.

9
ANALISIS ANTRIAN
9.1 PENDAHULUAN
Antrian merupakan kejadian yang sering dalam kehidupan sehari–

hari (menunggu untuk mendapatkan giliran). Sebagai contoh, kita mengantri
di depan loket untuk mendapatkan tiket kereta api, mengantri di chek out
counter suatu market, mengantri di pintu jalan tol, dan lain-lain.
Yang melakukan antrian bukan hanya orang, akan tetapi bisa juga
barang, misalnya mesin-mesin yang rusak untuk menunggu diperbaiki,
barang-barang di pabrik menunggu untuk berbagai tahapan proses produksi,
dan lain-lain.
Karena menunggu memakan waktu, sementara waktu merupakan

sumber daya yang berharga, maka pengurangan waktu menunggu
merupakan tema yang menarik untuk dianalisis. Akan tetapi analisis antrian
tidak hanya membahas waktu menunggu saja.
Fasilitas pelayanan melayani langganan satu persatu. Langganan yang

telah selesai dilayani akan meninggalkan sistem antrean.
Contoh 9.1
Katakanlah Anda pemilik sebuah toko hendak mengetahui berapa

banyak meja kasir yang harus disediakan. Jika meja kasir terlalu sedikit maka
langganan yang akan membayar belanjaannya akan terlalu lama menunggu
dalam antrean. Bila pelanggan harus antre 15 menit untuk membayar,
mungkin pelanggan tidak akan kembali lagi berbelanja ke toko anda.
Sebaliknya jika terlalu banyak, maka kasir akan banyak menganggur, berarti
anda melakukan pemborosan yaitu menggaji pekerja yang tidak produktif.
Masalah ini sangat menarik, karena datangnya langganan setiap

harinya akan berubah secara tidak tentu, secara random atau tidak menurut
aturan tertentu. Di tiap toko, meja kasir akan mempunyai waktu sibuk atau

waktu menganggur. Perubahan ada yang dapat diramalkan, misalnya jika
toko anda berada di sebuah pasar. Dapat diduga waktu sibuknya adalah pagi
hari, dan kosongnya adalah siang hari. Tetapi ada juga yang tidak dapat
diramalkan, misalnya walaupun pagi hari sedikit langganan yang datang
karena televisi sedang menyiarkan acara pertandingan tinju dunia.
Bagaimana cara yang anda tempuh untuk memecahkan persoalan

tersebut ?
Penyelesaian:
1. Mengadakan meja kasir yang memberikan pelayanan kilat untuk

langganan yang diperkirakan tidak membutuhkan pelayanan lama
(menetapkan langganan yang perlu dilayani terlebih dahulu).
2. Menempatkan seorang pekerja untuk menyebutkan barang belanjaan
yang harus dibayar sehingga kasir hanya menjumlah harga saja.
3. Menambah jumlah kasir.
Solusi Persoalan Antrian
1. Tidak Menambah Server (Tempat Layanan)
a. Memperpendek/mengurangi waktu pelayanan, seperti:

• Petugas Bank meminta pada para nasabahnya untuk mengisi
formulir terlebih dahulu sebelum menghadap loket.
• Penggunaan teknologi yang lebih baik: sistem barcode.
• Mengurangi sifat random dari waktu pelayanan.
• Misalnya dengan mengharuskan penumpang bus membayar
dengan uang pas.
b. Skala prioritas
Membuat aturan-aturan prioritas, seperti: pengadaan kasir untuk
konsumen tertentu, prioritas dilayani lebih dulu bagi konsumen yang
waktu pelayanannya pendek, dan lain-lain.
c. Mengendalikan kedatangan konsumen, seperti mengusahakan agar
kedatangan tidak langsung pada saat-saat tertentu saja (diusahakan
teratur). Misalnya jika sebuah “Drive in Theater” mempunyai
restorasi, tempat-tempat permainan, dan sebagainya, mungkin
penonton tidak datang hanya pada saat-saat sebelum pertunjukan
dimulai sekaligus.

2. Menambah Server (Tempat Layanan)
Berapa? Bagaimana cara menentukannya supaya tidak berlebih atau

kurang? Bayangkan jika penentuan jumlah server dilakukan berdasarkan
suatu perkiraan!
Penentuan jumlah server dapat dilakukan dengan model matematika

tetapi perhitungannya cukup rumit.
Banyak model antrian untuk setiap sistem antrian. Bab ini akan
memusatkan pada dua sistem populer, yaitu sistem saluran tunggal dan
banyak saluran, keduanya satu tahap.
9.2. KOMPONEN PROSES ANTRIAN
Komponen dasar proses antrian adalah kedatangan, pelayanan, dan

antri.
Sumber Antri Fasilitas Keluar

kedatangan pelayanan
Gambar 9.1 Komponen Proses Antrian
1. Kedatangan
Kedatangan disebut juga proses input, meliputi sumber kedatangan atau
calling population. Cara terjadinya kedatangan umumnya merupakan
proses random (acak).
2. Pelayanan
Mekanisme pelayanan dapat terdiri dari satu atau lebih pelayanan, atau
satu atau lebih fasilitas pelayanan.
3. Antri
Inti dari analisi antrian adalah antri itu sendiri. Penentu antrian yang
penting adalah disiplin antri. Disiplin antri adalah aturan yang
menjelaskan cara melayani pengantri. Sebagai contoh FIFO, LCFS,
berdasarkan prioritas, janji, dan lain-lain.
Jika tidak ada antrian berarti ada fasilitas yang menganggur.

9.3. STRUKTUR DASAR PROSES ANTRIAN
Proses antrian umumnya dikelompokkan menjadi empat struktur

dasar menurut sifat-sifat fasilitas pelayanan:
a. Satu saluran satu tahap
Antrian
Antrian Pelayanan
b. Banyak saluran satu tahap
Antrian Pelayanan
c. Satu saluran banyak tahap
Antrian Pelayanan
d. Banyak saluran banyak tahap
Antrian Pelayanan
Catatan: Suatu proses dikatakan tidak akan ada antrian jika fasilitas
pelayanannya lebih banyak dari antriannya.

9.4. KERANGKA KEPUTUSAN MASALAH ANTIRAN
Mengapa Antrean Merupakan Suatu Persoalan ?
Antrean terkait dengan lost profit akibat kehilangan pelanggan dan

high cost jika fasilitas pelayanan banyak menganggur.
Pada umumnya teori antrian menekankan pada ciri – ciri operasi

system antrian, optimasi masalah antrian. Ciri - ciri operasi menjelaskan
bekerjanya sistem dalam bentuk ukuran–ukuran, misalnya rata – rata waktu
menunggu, waktu menganggur pelayanan, dan lain-lain.
Ciri – ciri operasi yang akan dipelajari :

Pn : Probabilitas n pengantri dalam sistem
L : Rata – rata banyaknya pengantri dalam sistem
Lq : Rata – rata banyaknya pengantri dalam antrian
W : Rata – rata waktu menunggu dalam sistem (antri + pelayanan)
Wq : Rata – rata waktu antri
Po atau I : Proporsi waktu menganggur pelayan (tidak ada pengantri)
Secara umum masalah antrian akhirnya akan sampai pada bagaimana

merancang fasilitas antrian atau berapa tingkat pelayanan yang seharusnya
disediakan.
Jika variabel keputusannya adalah tingkat pelayanan, maka model

harus mengidentifikasi hubungan antara pelayanan dengan parameter dan
variable-variabel yang relevan.
Hubungan antara tingkat pelayanan dengan kriteria evaluasi

ditunjukkan pada model: Total Expected Cost
Total Cost
Biaya pelayanan
Expected cost
Biaya menunggu
Tingkat pelayanan

Total expected cost = Biaya pelayanan + Biaya menunggu
Tingkat pelayanan disarankan
Total cost terendah
Gambar 9.2 Kerangka Masalah Antrian
Biaya Pelayanan
Misalkan suatu supermarket ingin menambah check out counter perlu
membiayai seluruh perlengkapan counter tambahan dan menggaji pelayan
baru. Ini berarti jika tingkat pelayanan diperbaiki, biaya pelayanan akan
bertambah.
Biaya Menunggu
Umumnya terdapat hubungan terbalik antara tingkat pelayanan dan waktu
menunggu. Biaya menunggu dapat diduga secara sederhana sebagai biaya
kehilangan keuntungan bagi pengusaha, atau biaya turunnya produktivitas
bagi pekerja.
Masalah keputusan merupakan konflik antara biaya menunggu bagi

pengantri dengan biaya pelayanan.
Model Keputusan masalah antrian dirumuskan sebagai:
Meminimumkan ∈ (C)= I Ci + w. Cw
9.5 . ASUMSI TEORI ANTRIAN
Teori antrian dikembangkan untuk membuat sebuah asumsi tentang

beberapa komponen proses antrian.
Distribusi Kedatangan
Model antrian adalah model probabilistik karena unsur – unsur

tertentu proses antrian yang dimasukkan dalam model merupakan variabel
random.

Baik kedatangan maupun waktu pelayanan dalam suatu proses
antrian dinyatakan sebagai variabel random. Asumsi yang biasa digunakan
dalam kaitannya dengan distribusi kedatangan (kedatangan per unit waktu)
adalah Distribusi Poisson.
𝑒 −𝛾 . 𝛾 𝑋
𝑃 (𝑥) =
𝑋!
dimana
x : Banyaknya kedatangan
P (x) : Probalilitas kedatangan
λ : Rata – rata tingkat kedatangan
e : Dasar logaritma natural, yaitu 2,71828
x! : x(x-1) (x-2) … 1 (dibaca x faktorial)
Distribusi Poisson yaitu distribusi diskrit dengan rata – rata sama

dengan varians. Jika banyaknya kedatangan persatuan waktu mengikuti
dstribusi poisson dengan rata- rata tingkat kedatangan λ maka waktu antar
kedatangan distribusi eksponensial negatif dengan rata- rata (1/λ ).
Distribusi Waktu Pelayanan
Waktu pelayanan dalam antrian dapat juga sesuai dengan ditribusi

Probabilitas. Asumsi yang digunakan umumnya adalah distribusi
eksponensial negatif.
Rumus umum density function probabilitas eksponen negative :
𝑓 (𝑡) = 𝜇. 𝑒 −𝜇.𝑡
t : Waktu pelayanan
f(t) : Pr obabilitas yang berhubungan dengan t
μ : Rata – rata tingkat pelayanan
1/μ : Rata – rata waktu
E : Dasar logaritma natural, yaitu 2,71828
Displin Antri
Asumsi pada umumnya digunakan dalam teori antrian adalah dengan

FCFS. Jika asumsi ini tidak cocok dengan sistem antrian yang dipelajari,
model lain harus dikembangkan.

System Antrian Steady State dan Transien
Suatu asumsi yang sangat penting dalam teori antrian adalah apakah
system mencapai suatu keseimbangan atau steady state. Ini berarti
diasumsikan bahwa ciri-ciri operasi seperti panjang antrian dan rata-rata
waktu menunggu akan memiliki nilai konstan setelah sistem berjalan selama
suatu periode waktu.
Tingkat Kedatangan & Tingkat Pelayanan
Diasumsikan bahwa tingkat tingkat pelayanan, μ, harus melebihi

tingkat kedatangan pengantri, l. Jika tidak antrian makin panjang, sehingga
tak ada solusi keseimbangan.
Hubungan antara tingkat kedatangan, λ, dan tingkat pelayanan, μ, dan

panjang antrian yang diharapkan ditunjukkan pada gambar di bawah ini.
Rata-rata
antrian
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0.9 l
𝜆⁄
𝜇
Gambar 9.3 Hubungan antara panjang antrian dengan traffic intencity
9.6. NOTASI KENDALL
Notasi Kendall yang asli : [a / b / c /]

Notasi Kendall yang diperluas: [a / b / c / d / e / f]
Keterangan
a : distribusi kedatangan
b : distribusi keberangkatan / pelayanan
untuk a dan b, M menunjukkan Poisson

Ek menunjukkan Erlang, dan
D berarti Deterministik
c : banyaknya pelayanan parallel
d : displin antri ( seperti FCFS, LCFS, Prioritas, Random )
e : jumlah maksimum,pengantri dalam sistem (antri dan dilayani)
f : jumlah sumber kedatangan
Contoh
[. / . / . /FCFS / ∞ / ∞]
Artinya disiplin antri FCFS, jumlah maksimum pengantri tak terbatas,

dan jumlah sumber kedatangan tak terbatas.
9.7. MODEL ANTRIAN SATU SALURAN SATU TAHAP [ M/M/I ]
Pada model [ M/M/I ]

• kedatangan dan keberangkatan mengikuti distribusi Poisson dgn tingkat l
dan μ
• terdapat satu pelayanan, kapasitas pelayanan
• sumber kedatangan tak terbatas
Probabilitas n pengantrian dalam sistem Pn adalah
Pn = (1 - R) Rn , dimana R = λ ≤ 1, dan n = 0, 1, 2, …
Dari rumus di atas didapatkan ciri –ciri operasi lain, seperti:
1. Probabilitas terdapat k lebih pengantri dalam sistem

Pn≥k = Rk
2. Rata – rata banyaknya pengantri dalam sistem
∞
𝑅
𝐿 = ∑ 𝑛. 𝑃𝑛 =
1−𝑅
𝑛=0
3. Rata – rata banyaknya pengantri yang sedang antri.
𝑅2
𝐿𝑞 =
1−𝑅

4. Rata –rata waktu menunggu dalam sistem
1
𝑊=
𝜇− 𝜆
5. Rata – rata waktu antri
𝜆
𝑊𝑞 =
𝜇(𝜇 − 𝜆)
6. Proporsi waktu nganggur pelayan

Pa atau I = 1 - R
Contoh 9.3
Penumpang kereta api datang pada suatu loket mengikuti distribusi

Poisson dengan tingkat rata – rata 20 per jam. Misalkan setiap penumpang
secara rata – rata dilayani 2 menit dan waktu pelayanan mengikuti distribusi
eksponensial. Setelah sistem steady state cari:
a. P4 b. L c. Lq d. W e. Wq f. Po atau
I
Penyelesaian:
Tingkat kedatangan rata-rata λ = 20 per jam
Tingkat pelayanan rata-rata μ = 30 per jam
sehingga R = λ/ μ = 2/3
a. P4 = ( 1 – R ) R4 = ( 1 – 2/3 ) (2/3)4 = 16/92
b. Rata – rata banyaknya pengantri dalam sistem
2⁄
𝐿= 3 = 2 𝑝𝑒𝑛𝑢𝑚𝑝𝑎𝑛𝑔
1 − 2⁄3
c. Rata – rata banyaknya pengantri yang sedang antri.
2
𝑅2 (2⁄3)
𝐿𝑞 = = = 1,33 𝑝𝑒𝑛𝑢𝑚𝑝𝑎𝑛𝑔
1−𝑅 1 − 2⁄3

d. Rata –rata waktu menunggu dalam sistem
1 1
𝑊= = 𝑗𝑎𝑚 = 6 𝑚𝑒𝑛𝑖𝑡
30 − 20 10
e. Rata – rata waktu antri
𝜆 20
𝑊𝑞 = = = 4 𝑚𝑒𝑛𝑖𝑡
𝜇(𝜇 − 𝜆) 30(30 − 20)
f. Proporsi waktu nganggur pelayan
Pa atau I = 1 – R = 1 – (2/3) = 0,33
Misalkan kepala stasiun mengganti penjaga dengan penjaga yang

lebih terampil maka waktu pelayanan berkurang dari rata – rata 2 menit per
penumpang menjadi 1,5 menit per penumpang (40 penumpang per jam).
Namun upah penjaga yang lebih terampil adalah Rp. 1200 per jam,
yang berarti 2x penjaga yang ada. Kepala stasiun juga memperkirakan biaya
menunggu pengantri adalah Rp 50 per menit. Haruskah kepala stasiun
mengganti penjaga dengan penjaga yang lebih terampil ?
Penyelesaian:
Ciri – ciri sistem yang diperlukan untuk menganalisis masalah yaitu Wq dan
I:
1. Dengan penjaga sebelumnya (Kasus 1)

μ = 30 penumpang
𝜆 20
𝑊𝑞 = = = 4 𝑚𝑒𝑛𝑖𝑡
𝜇(𝜇 − 𝜆) 30(30 − 20)
I = 1 – 2/3 = 33,3%
2. Dengan penjaga baru (Kasus 2)

μ = 40 penumpang
𝜆 20
𝑊𝑞 = = = 1,5 𝑚𝑒𝑛𝑖𝑡
𝜇(𝜇 − 𝜆) 40(40 − 20)

I = 50%
Karena tingkat kedatangan rata – rata λ = 20 per jam, dan loket dibuka 8
jam sehari, maka banyaknya pengantri diperkirakan 160. Sehingga jumlah
waktu menunggu
160 x 4 = 640 menit (untuk kasus I)

160 x 1,5 = 240 menit (untuk kasus II)
Pelayanan yang dibayar (I) : 600 x 8 = Rp. 4500

Pelayanan yang dibayar (II): 1200 x 8 = Rp. 9600
Kasus 1 Kasus 2
Biaya tunggu pengantri 640 x 50 = Rp 32.000 240 x 50 = Rp 12.000
Biaya pelayanan 8 x 600 = Rp 4.800 8 x 1200 = Rp 9.600
Dengan mengganti pelayan dengan pelayan yang lebih terampil,

kepala stasiun dapat menurunkan biaya tunggu pengantri sebanyak Rp
20.000 (Rp 32.000 – Rp 12.000) dengan peningkatan biaya pelayanan Rp 4.800
(Rp 9.600 – Rp 4.800).
9.8. MODEL ANTRIAN BANYAK SALURAN SATU TAHAP [M/M/c]
Jika traffic intensity (R = l/μ) mendekati satu, rata-rata waktu antri

menjadi lama dan pengantri dapat menjadi frustasi. Untuk menghadapi
kasus ini, dapat diatasi dengan menambah saluran pelayanan.
Struktur Antrian Dengan Satu Saluran Serentak Dan Banyak Saluran
a.
Antrian Pelayanan

Antrian Pelayanan
Antrian Pelayanan
b.
Antrian Pelayanan
Struktur proses antrian tersebut yaitu suatu struktur antrian dengan

beberapa saluran tunggal satu tahap yang bekerja secara serentak jadi untuk
struktur ini dapat dianalisis dengan menerapkan model saluran tunggal.
Ciri struktur ini adalah bahwa hanya ada sebuah antrian di depan fasilitas
pelayan yang berisi banyak saluran atau pelayanan. Pengantri akan dilayani
jika pelayanan siap atas dasr FCFS.

10
PERENCANAAN JARINGAN KERJA DAN
ANALISIS CPM/PERT
10.1 PENDAHULUAN
Manajemen Projek secara lambat laun telah menjadi suatu bidang baru
dengan berkembangnya dua teknik analisis yang dipergunakan untuk
perencanaan, penjadualan, dan pengawasan suatu projek, yaitu Critical Path
Method (CPM) dan Program Evaluation and Review Technique (PERT)
Salah satu tujuan dari analisis ini adalah untuk menentukan waktu
terpendek yang diperlukan untuk merampungkan proyek, atau menentukan
critical path, yaitu jalur dalam jaringan yang membutuhkan waktu
penyeleseian paling lama.
Penentuan critical itu sangat penting karena jalur itu meliputi

kegiatan-kegiatan yang perlu diawasi secara sangat hati-hati agar proyek
diselesaikan pada waktunya.
CPM dan PERT pada dasarnya serupa, bedanya CPM adalah teknik
deterministik sedangkan PERT bersifat probabilistik. Karena itu, keduanya
sering dituliskan dengan CPM/PERT. Karena teori jaringan kerja merupakan
teknik analisis yang dapat membantu manajemen projek untuk
melaksanakan tugas guna membuat perencanaan, mengatur jadual
pelaksanaan, melakukan pengawasan, dan pengambilan keputusan terhadap
projek yang sedang berjalan atau projek yang sama sekali baru.
Suatu projek pada hakekatnya adalah sejumlah kegiatan yang

dirangkaikan satu dengan yang lain maupun tidak. Dalam hal inilah, teori
jaringan kerja dapat mengatur rangkaian dari kegiatan-kegiatan tersebut
sehingga benar-benar dapat dilaksanakan secara efisien dan efektif.

10.2 DIAGRAM JARINGAN KERJA
Diagram jaringan kerja mempunyai dua peranana, pertama sebagai

alat perencanaan projek dan sebagai ilustrasi secara grafik dari kegiatan-
kegiatan suatu projek. Di samping itu dipakai dalam analisis proyek dari segi
waktu, model
jaringan telah diterapkan secara luas dalam bidang manajemen karena model
ini, yang berupa rangkaian jalur-jalur atau garis-garis yang dihubungkan
pada beberapa titik, mudah dibentuk dan ditafsirkan (komunikatif).
Masalah-masalah yang dapat disederhanakan dalam model jaringan,

antara lain: masalah jalan pintas, masalah rentang cabang terpendek
danmasalah arus terbanyak. Masalah jalan pintas berhubungan dengan
penemuan jarak terpendek dari suatu tempat asal ke tempat tujuan dari jalur
alternatif yang tersedia. Tujuan analisis ini tidak selalu meminimumkan
jarak, tetapi kadang-kadang berubah menjadi meminimumkan waktu
tempuh atau biaya perjalanan.
Masalah rentang cabang terpendek berhubungan dengan penemuan

jalur-jalur yang menghubungkan semua titik dalam jaringan agar jumlah
panjang seluruh jalur terkecil.
Masalah arus maksimum berhubungan dengan alokasi arus pada

jalurjalur dalam jaringan yang memiliki kapasitas terbatas dari tempat asal ke
tempat tujuan agar jumlah arus yang mengalir maksimum.
Tabel 10.1 Simbol dan Arti Diagram Jaringan
Simbol Arti Keterangan

Anak Menyatakan kegiatan dengan membutuhkan
Panah durasi dan sumber daya. Pangkal dan ujung anak
panah menyatakan kegiatan mulai dan akhir.
Pada umumnya kegiatan diberi kode huruf besar
A, B, dan sebagainya.
Lingkaran Menyatakan suatu kejadian atau peristiwa.
kecil atau Umumnya kejadian diberik kode dengan angka 1,
node 2, 3, dan sebagainya.
Anak Menyatakan kegiatan semu atau “dummy”.

panah
terputus-
putus jaringan kerja
Informasi menyusun

Tabel 10.2 Ketentuan penyusunan jaringan kerja
Contoh 10.1
A B Kegiatan B hanya dapat dimulai setelah
1 2 3 kegiatan A selesai.
A C Kegiatan C hanya dapat dimulai setelah

1 3 4 kejadian A dan B selesai. Kegiatan A dan B
B boleh berlangsung bersama-sama; kegiatan
A dan B berakhir pada kejadian yang sama.
2
4 Kegiatan C dan D dapat dimulai setelah

1 A C
kegiatan A dan B berakhir, dan selesai pada
3
kejadian yang berbeda.
B D
5
2
Dalam diagram ini terdapat dua kejadian

A C
yang saling bergantungan tanpa
1 3 4
dihubungkan dengan kegiatan tapi dengan
B dummy.
2
A C Bila dua kejadian yang dimulai pada

1 3 4 kejadian yang sama dan berakhir pada
B kejadian yang sama pula, maka kegiatan
tersebut tidak boleh berimpit.
2
benar
A,B C
1 2 3
salah
A C Dalam suatu jaringan kerja tidak boleh
1 3 4 terjadi suatu loop.
B
2
Nomor kejadian terkecil adalah nomor kejadian awal dan nomor

kejadian terbesar adalah nomor kejadian akhir.

Gambarkan diagram anak panah yang mencakup kegiatan A, B, C,
….., dan L sedemikian rupa sehinga hubungan berikut ini terpenuhi.
1. A, B, dan C kegiatan dalam suatu proyek yang bisa dimulai secara serentak
(simultan).
2. A dan B mendahului D.
3. B mendahului E, F dan H.
4. F dan C mendahului G.
5. E dan A mendahului I dan J
6. C, D, F dan J mendahului K.
7. K mendahului L.
8. I, G dan L merupakan aktifitas terminal di proyek.
Gambar 10.1 Contoh jaringan kerja
Latihan:
1. Gambarkan diagram anak panah yang mencakup kegiatan A, B, C, …..,
dan M sedemikian rupa sehinga hubungan berikut ini terpenuhi.
a. A dan B dapat dimulai secara serentak.
b. C dan D dapat dimulai kalau A sudah selesai.
c. E dapat dimulai kalau C sudah selesai.
d. G dapat dimulai kalau E sudah selesai.
e. F dapat dimulai kalau D sudah selesai.
f. H dapat dimulai kalau C, D, E, F dan G sudah selesai.
g. I dan J dapat dimulai kalau B sudah selesai.
h. K dapat dimulai kalau J sudah selesai.
i. L dapat dimulai kalau I, J, dan K sudah selesai.
j. M dapat dimulai kalau H dan L sudah selesai.
k. M kegiatan terminal.
2. Gambarkan diagram anak panah yang mencakup kegiatan A, B, C, …..,
dan J sedemikian rupa sehinga hubungan berikut ini terpenuhi.
a. Proyek dimulai dari kegiatan A,

b. Kegiatan B dan C baru bisa dimulai kalau A sudah selesai.
c. Kegiatan D dan E baru bisa dimulai kalau C sudah selesai.
d. Kegiatan F dan G baru bisa dimulai kalau B sudah selesai.
e. Kegiatan H baru bisa dimulai kalau E sudah selesai.
f. Kegiatan I baru bisa dimulai kalau D sudah selesai.
g. Kegiatan J baru bisa dimulai kalau G dan H sudah selesai.
h. Kegiatan I dan J merupakan kegiatan terminal
10.3 MODEL JARINGAN CPM/PERT
Model jaringan CPM/PERT tersusun atas dua komponen utama, yaitu

titik-titik (nokta/lingkaran) dan garis-garis (cabang/anak panah). Garis
menunjukan jenis kegiatan dari suatu proyek, sementara titik menunjukan
awal atau akhir suatu kegiatan, atau biasa dinamakan events.
Contoh 10.2
Gambar 1.1 menunjukan model jaringan pembangunan sebuah rumah.

Jaringan ini terdiri dari 3 kegiatan: 1) menggambar rumah, 2) mencari dana,
dan 3) membangun rumah. Kegiatan-kegiatan ini dalam model diwakili
dengan anak panah, events (peristiwa) ditunjukan oleh lingkaran. Lingkaran 1
maksudnya awal menggambar rumah, lingkaran 2 maksudnya akhir
menggambar rumah dan awal mencari dana. Model jaringan juga
menunjukan precedence relationship di antara kegiatankegiatan. Menggambar
rumah mendahului mencari dana dan yang terakhir ini mendahului
membangun rumah. Ini berarti suatu kegiatan belum dapat dimulai sampai
kegiatan yang mendahuluinya diselesaikan.
Dalam analisis CPM/PERT, sutu lingkaran tertentu dikatakan

terealisasi jika semua keiatan yang berakhir pada lingkaran itu telah
dirampungkan. Sebagai contoh, lingkaran 2 akan terealisasi pada akhir bulan
ke-2 (setelah dua bulan). Pada waktu itu, pencarian dana dapat dimulai.
Pembangunan rumah dapat dimulai setelah bulan ke-3 berakhir. Pada kasus
ini pembangunan rumah dapat dirampungkan paling cepat pada akhir bulan
ke-9.

Menggambar Mencari dana membangun
rumah rumah
1 2 3 4
2 bulan 1 bulan 6 bulan
Gambar 10.2 Jaringan Pembangunan Rumah dan Waktu Kegiatan
Ada suatu aturan dalam membuat model jaringan CPM/PERT, yaitu

dua atau lebih kegiatan tak dapat secara serentak berawal dan berakhir pada
lingkaran yang sama. Sebagai contoh perhatikan suatiu proyek yang
dijadualkan seperti pada tabel 12.3.
Tabel 10.3 Kegiatan dalam Perencanaan Membangun Rumah

Kegiatan Pendahulu Waktu
Menggambar dan cari dana (a) – 3 bulan
Peletakan pondasi (b1) a 2 bulan
Pemasanan bahan (b2) a 1 bulan
Memilih cat (c) b1, b2 1 bulan
Membangun rumah (d) b1, b2 3 bulan
Memilih karpet (e) c 1 bulan
Penyeleseian (f) d, e 1 bulan
Model jaringan yang ditunjukan pada Gambar 10.3 adalah salah

karena menyimpang dari aturan. Kesalahannya adalah bahwa b1 dan b2
muncul dari lingkaran a dan juga berakhir pada lingkaran yang sama, yaitu
lingkaran 3.
Gambar 10.3 Jaringan Pembangunan Rumah dan Waktu Kegiatan Yang Salah

Masalah ini diseleseikan dengan memperkenalkan suatu aktivitas
dummy. Suatu aktivitas dummy digambarkan dengan anak panah terputus
dan disisipkan pada jaringan itu untuk menunjukan suatu precendede
relationship.
Suatu aktivitas dummy tidak memakan waktu, jadi waktu kegiatan

sama dengan nol. Dengan demikian, model jaringan yang benar dari proyek
yang penjadwalannya disajikan pada tabel 10.3 ditunjukkan oleh gambar
10.4.
Gambar 10.4 Jaringan Dengan Aktivitas Dummy
Critical Path (Lintasan Kritis)
Telah disebutkan bahwa sasaran utama analisis CPM/PERT adalah

menentukan waktu terpendek yang diperlukan untuk menyelesaikan suatu
proyek atau menentukan waktu yang diperlukan untuk suatu jalur kritis,
yaitu jalur waktu terlama.
Untuk menjelaskan lintasan kritis lihat lagi model jaringan terakhir.

Jaringan tersebut memiliki 4 pilihan jalur, sebut saja A,B,C dan D, seperti
disajikan pada tabel 1.2 (waktu kegiatan diletakan di atas anak panah).

Tabel 10.4 Seluruh Jalur yang mungkin dari Suatu Jaringan
Jalur Events (titik awal/akhir) Panjang jalur waktu

3 2 0 3 1
A 1 2 3 4 6 7 9 bulan
3 2 0 1 1 1
B 1 2 3 4 5 6 7 8 bulan
3 1 3 1
C 1 2 4 6 7 8 bulan
3 1 1 1 1
D 1 2 4 5 6 7 7 bulan
Dengan menjumlahkan seluruh waktu kegiatan pada setiap jalur

diperoleh panjang jalur waktu.
Jalur A merupakan jalur waktu terlama, yaitu 9 bulan, maka jalur A

merupakan critical path, sehingga waktu tersingkat untuk merampungkan
proyek ini adalah 9 bulan.
Penjadwalan Kegiatan Atau Events
Analisis CPM/PERT juga bertujuan menentukan jadwal

kegiatan/events yang menerangkan kapan kegiatan ini dimulai dan berakhir.
Penjadwalan itu juga dapat digunakan untuk menentukan lintasan kritis
(sekaligus waktu minimum yang diperlukan untuk menyelsesaikan proyek)
dan kegiatan apa yang dapat ditunda dan berapa lama.
Contoh Kita lihat lagi jaringan CPM/PERT pembangunan rumah yang

terakhir. Lingkaran 4 tak dapat direalisasikan sebelum semua kegiatan yang
mendahuluinya diselesaikan. Jadi waktu tercepat merealisasikan lngkaran 4
adalah 5 bulan. Waktu ini dinamakan waktu tercepat, earliest time, diberi
simbol ET4=5. Penetuan earlist time dilakukan dengan melintasi jaringan ke
arah minimum yang diperlukan untuk menyelesaikan proyek.

Secara umum, earliset time setiap lingkaran j dirumuskan sebagai
berikut:
ETj = maks {ET1+tij}.

Dimana i adalah nomor lingkaran awal dari semua kegiatan yang berakhir
ada lingkaran j dan tij adalah waktu kegiatan i → j.
Sebagai contoh, ET6 dihitung sebagi berikut:
ET6 = maks {ET5 + t56 , ET4 + t46}

= maks { 6 + 1 , 5 + 3}
= maks { 7 , 8}
= 8 bulan
ET semua lingkaran pada kasus yang dipelajari ditunjukkan pada gambar

10.5
Gambar 10.5 Jaringan Dengan ET
Langkah berikutnya untuk menentukan lintasan kritis adalah

menghitung latest time, diberi simbol LT. Latest time suatu lingkaran adalah
waktu terakhir (paling lambat) suatu lingkaran dapat direalisasikan tanpa
menunda waktu penyelesaian proyek, dalam pengertian waktu minimum.
Untuk kasus yang dipelajari, karena waktu minimumnya adalah 9

bulan, maka latest time pada lingkaran 7 adalah 9 bulan. Latest time
ditentukan dengan melintasi jaringan ke arah belakang. Secara umum,
perhitungan latest time lingkaran i dirumuskan sebagai berikut:
LY1 = min {LTj - tij}
dimana j adalah lingkaran akhir dari semua kegiatan yang berawal pada
lingkaran i

Contoh :
LT6 = mion {LT7 – t67} = min {9-1} = 8 bulan

LT5 = min {LT6 – t56} = min {8-1} = 7 bulan
LT4 = min {LT6 – t46 , LT5 – t45}
= min {8 - 3 , 7 - 1}
= min 5 bulan
LT semua lingkaran pada kasdusau yang dipelajari disajikan pada

Gambar 10.6
Pada lintasan kritis (1→2→3→4→5→6→7), ET = LT. Artinya kegiatan-kegiatan

kritis ini harus dimulai tepat waktu minimum, yaitu 9 bulan.
Ini berarti selain memilih jalur waktu terpanjang dari seluruh jalur yang
mungkin dari suatu jaringan, lintasan kritis dapat ditentukan dengan
memeriksa di mana lingkaran-lingkaran yang memiliki ET = LT. Pada
Gambar 10.6 lingkaran 1,2,3,4,6 dan 7 semuanya memiliiki ET = LT, jadi
mereka berada pada critical path.
Gambar 10.6 Jaringan Dengan ET Dan LT, Anak Panah Tebal Menunjukkan
Critical Path
Penentuan critical path dengan cara terakhir dapat menemui kesulitan.

Contohnya, bagaimana mengetahui bahwa critical path-nya bukan
1→2→4→6→7, dimana semua lingkarannya juga memiliki ET=LT.

Untuk mengatasi masalah ini ada cara untuk menentukan mana yang
merupakan kegiatan kritis. Cara ini menggunakan konsep yang dinamakan
slack kegiatan , yaitu waktu di mana suatu kegiatan dapat ditunda tampa
mempengaruhi penyeleseian proyek dengan waktu minimum. Slack kegaiatn
1 → j, diberi simbol sij, dihitung seperti berikut:
Sij = LT j – ETi – tij
Contoh :
S12 = LT2 – ET1 – t12 = 3 – 0 – 3 = 0

S23 = LT3 – ET2 – t23 = 5 – 3 – 2 = 0
S34 = LT4 – ET3 – t34 = 5 – 5 – 0 = 0
S46 = LT6 – ET4 – t46 = 8 – 5 – 3 = 0
S67 = LT7 – ET6 – t67 = 9 – 8 – 1 = 0
S24 = LT4 – ET2 – t24 = 5 – 3 – 1 = 1
Slack untuk seluruh kegiatan ditunjukan pada gambar 10.7. terlihat bahwa
S24=1 artinya kegiatan 2→4 dapat tertunda 1 bulan, tanpa memperlambat
penyelesaian proyek.
Semua kegiatan-kegiatan yang slacknya adalah nol berarti kegiatan-kegiatan

itu tidak dapat ditunda jika proyek ingin diselesaiakan dengan waktu
minimum.
Gambar 10.7 menunjukan bahwa semua kegiatan kritis memiliki slack tidak
sama dengan nol. Sementara semua kegiatan lainnya memiliki slack tidak
sama dengan nol. Kesimpulannya, critical path akan meliputi seluruh
kegiatan dengan slack sama dengan nol.

Gambar 10.7 Jaringan Dengan Slack, Anak Panah Tebal Menunjukkan
Critical Path
Gambar 10.7 menunjukan bahwa S45 dan S56 adalah 1 bulan. Ini
artinya, yang dapat ditunda hanya salah satu kegiatan, yaitu 1 bulan, tetapi
bukan kedua kegiatan masing-masing 1 bulan. Slack untuk kedua kegiatan
ini dinamakan shared slack, artinya dua kegiatan berurut 4→5 dan 5→6 dapat
tertunda 1 bulan tanpa memperlambat penyelesaian proyek.
10.4 PERT
Sampai saat ini, waktu kegiatan ini diasumsikan diketahui dengan
pasti, sehingga merupakan suatu nilai tunggal atau model jaringan CPM
yang merupakan model deterministik.
Dalam prakteknya, waktu kegiatan demikian jarang ditemui. Pada

umumnya, projek yang disederhanakan dalam jaringan bersifat khas, karena
itu sering tidak memiliki dasar yang kuat untuk memastikan waktu kegiatan-
kegiatan yang terlibat.
Jika kasusnya waktu kegiatan merupakan variabel acak yang memiliki

distribusi probabilitas, maka digunakan PERT sebagai pengganti CPM. PERT
mengasumsikan bahwa penyelesaian kegiatan mengikuti distribusi beta,
dengan rata-rata (tij) dan varian (vij) seperti berikut:
𝑎 + 4𝑚 + 𝑏
𝑡𝑖𝑗 =
6
𝑏−𝑎 2
𝑉𝑖𝑗 = ( )
6

dimana
t = taksiran ekspektasi waktu (waktu yang diharapkan) akan terjadi
a = taksiran waktu yang optimistik
b = taksiran waktu yang pesimistik
m = taksiran waktu yang kebanyakan terjadi (modus)
PERT juga mengasumsikan bahwa waktu kegiatan adalah independen

secara statistik, sehingga rata-rata dan variansi waktu-waktu kegiatan itu
dapat dijumlahkan untuk menghasilan rata-rata dan varians waktu
penyelesaian projek.
PERT lebih jauh menasumsikan bahwa terdapat cukup banyak yang

terlibat dalam proyek sehingga rata-rata dan varians waktu penyelesaian
proyek, sesuai dengan central limit theorem, mengikuti distribusi normal.
Contoh 10.3
Tabel 10.5 merupakan perkiraan waktu kegiatan yang terlibat dalam

pembangunan rumah berikut rata-rata dan variansinya. ET dan LT setiap
lingkaran serta slack kegiatan ditunjukkan pada gambar 10.8. Dengan
mengamati gambar 10.8 terlihat bahwa critical path meliputi kegiatan yang
memiliki slack sama dengan nol yaitu 1→2→3→4→5 (anak panah tebal).

Tabel 10.5 Perkiraan Waktu Kegiatan Dari Gambar 10.8
Gambar 10.8 Jaringan Dengan ET, Dan LT dan Slack
Telah disebutkan bahwa waktu projek (tp) mengikuti distribusi

normal yang rata-ratanya μ, adalah jumlah rata-rata waktu kegiatan kritis,
sehingga
μ = t12 +t23 + t24 + t25
=9+5+6+4
= 24 minggu
Dan variansya, σ2, adalah jumlah varians waktu kegiatan kritis, sehingga
σ2 = v12+v23+v34+v45
= 4+4/9+4/9+1/9

= 5 minggu
Dengan asumsi waktu projek mengikuti distribusi normal dan nilai-

nilai parameternya diketahui, maka dengan bantuan kurva normal standaed
dapat dibuat pernyataan probabilitas tentang waktu penyelesaian proyek
melebihi 25 minggu, developer akan dikenakan denda sebagai berikut.
25 − 𝜇
𝑃(𝑡𝑝 ≥ 25) = 𝑃𝑍 ≥
√𝜎 2
25 − 24
𝑃(𝑡𝑝 ≥ 25) = 𝑃𝑍 ≥
√5
𝑃(𝑡𝑝 ≥ 25) = 𝑃(𝑍 ≥ 0,4472)

𝑃(𝑡𝑝 ≥ 25) = 0,5 − 0,1736
𝑃(𝑡𝑝 ≥ 25) = 0,3264
Jadi peluang proyek dirampungkan sebelum 25 minggu adalah 0,6736

(=1-0,3264) atau peluang developer tidak mampu menyelesaikan dalam 25
minggu sehingga harus membayar denda adalah 0,3264 seperti ditunjukan
pada gambar 10.9.
Gambar 10.9 Probabilitas Proyek selesai lebih dari 25 minggu

11
ANALISIS KEPUTUSAN
11.1 PENDAHULUAN
Dalam praktek sehari-hari, situasi pengambilan keputusan yang

terjadi seringkali dalam kondisi yang tidak pasti. Beberapa teknik
pengambilan keputusan tersedia untuk membantu para pengambil
keputusan dalam menghadapi situasi semacam ini.
Kategori sistem pengambilan keputusan.
Situasi pengambilan keputusan dapat dibedakan dalam dua katagori,

yaitu:
a. Situasi dimana probabilitas tidak dapat ditentukan atas kejadian di masa

datang.
b. Situasi dimana probabilitas dapat ditentukan.
Komponen Pengambilan Keputusan
a. Keputusan itu sendiri.

b. Kejadian sesugguhnya yang akan dapat terjadi di masa mendatang
(kondisi dasar).
Untuk memudahkan analisis situasi keputusan jenis ini agar keputusan

yang terbaik dapat dihasilkan, dapat digunakan tabel hasil pertukaran
keputusan.
Tabel hasil pertukaran keputusan adalah alat untuk mengorganisasi dan

mengilustrasikan hasil-hasil dari berbagai keputusan yang berbeda,
berdasarkan bermacam-macam kondisi dasar dari suatu masalah.

Tabel 11.1 Hasil Keputusan
Kondisi Dasar
Keputusan A B
1 Hasil Keputusan 1a Hasil Keputusan 1b
2 Hasil Keputusan 2a Hasil Keputusan 2b
Masing-masing keputusan, 1 atau 2 dalam tabel 13.1 akan memberikan

hasil pertukaran untuk kondisi dasar tertentu yang dapat terjadi di masa
yang akan datang.
11.2 PENGAMBILAN KEPUTUSAN TANPA PROBABILITAS
Seorang investor ingin membeli salah satu dari tiga jenis properti
perumahan. Ia harus memutuskan antara membeli sebuah apartemen,
sebuah bangunan kantor, atau sebuat gudang. Kondisi dasar di masa
mendatang yang akan menentukan besar laba yang akan diperoleh investor
tersebut adalah keadaan ekonomi yang baik dan keadaan ekonomi yang
buruk. Laba yang akan dihasilkan dari masing-masing keputusan dalam tiap
kondisi dasar yang terjadi ditunjukkan dalam tabel 11.2.
Tabel 11.2 Hasil Pertukaran untuk investasi perumahan
Kondisi Dasar
Keputusan untuk Kondisi Ekonomi Baik Kondisi Ekonomi
membeli Buruk
Apartemen 500 juta 300 juta
Bangunan Kantor 1000 juta -400 juta
Gudang 300 juta 100 juta
Kriteria Pengambilan Keputusan
Setelah situasi keputusan disusun dalam bentuk tabel 13.2, beberapa

kriteria akan tersedia untuk pengambilan keputusan yang sebenarnya.
Kriteria tersebut: maximax, maximin, minimax regret, Hurwicz, dan equal
likelihood.
Kadangkala kriteria-kriteria ini menghasilkan keputusan yang sama,

namun sering mereka menghasilkan keputusan yang berbeda. Pengambil
keputusan harus memilih kriteria atau kombinasi kriteria yang paling dapat
memenuhi kebutuhannya.
11.2.1 KRITERIA MAXIMAX (KRITERIA SANGAT OPTIMIS)
Keputusan yang akan menghasilkan nilai maksimum dari beberapa

hasil maksimum.
Pengambil keputusan memilih keputusan yang memberikan nilai paling

maksimum dari hasil-hasil yang maksimum.
Tabel 11.3 Tabel Keputusan Kriteria Maximax
Kondisi Dasar
Keputusan untuk Kondisi Ekonomi Baik Kondisi Ekonomi
membeli Buruk
Hasil Maksimum
Pengambilan keputusan mengasumsikan bahwa kondisi yang paling

menguntungkan dari setiap pilihan keputusan akan terjadi. Jadi dengan
menggunakan kriteria ini, investor secara optimis akan mengasumsikan
bahwa keadaan ekonomi akan berlaku di masa mendatang.
Cara:
1. Pertama-tama pilih hasil maksimum untuk setiap keputusan.

2. Pilih yang menghasilkan nilai paling maksimal.
Jadi keputusan yang sesuai adalah membeli bangunan kantor.

Walaupun keputusan untuk membeli bangunan kantor akan memberikan
hasil terbesar, 1000 juta, keputusan seperti ini tidak sepenuhnya
mengabaikan kemungkinan adanya kerugian potensial sebesar 400 juta.

11.2.2 KRITERIA MAXIMIN (KRITERIA SANGAT PESIMIS)
Berlawanan dengan criteria maximax.
Pengambil keputusan memilih keputusan yang mecerminkan nilai paling

maksimum dari hasil-hasil yang minimum.
Tabel 11.4 Tabel Keputusan Kriteria Maximin
Kondisi Dasar
Keputusan untuk Kondisi Ekonomi Baik Kondisi Ekonomi Buruk
membeli
Hasil maksimum
Harga minimum dari tabel di atas adalah 300 juta, -400 juta, dan 100
juta. Nilai maksimum dari ketiga hasil ini adalah 300 juta. Jadi keputusan
yang sesuai adalah membeli apartemen.
11.2.3 KRITERIA MAXIMAX REGRET
Misalkan investor tersebut memutuskan membeli gudang, hanya

untuk mengetahui bahwa keadaan ekonomi di masa mendatang lebih baik
dari yang diduga. Tentu saja investor akan kecewa karena ia tidak membeli
bangunan kantor yang memberikan hasil terbesar. Kenyataannya, investor
tersebut menyesali keputusannya untuk membeli gudang dan tingkat
penyesalannya adalah sebesar 700 juta.
Keputusan Kriteria Minimax Regret merupakan keputusan untuk

menghindari kekecewaan terbesar. Pengambil keputusan bermaksud
menghindari penyesalan yang timbul setelah memilih alternative keputusan
yang meminimumkan maksimum penyelesaian.
Cara:
1. Pilih hasil maksimum dari setiap kondisi dasar.

2. Hasil-hasil yang lain dalam setiap kondisi kemudian dikurangkan dari
jumlah-jumlah ini
Dari kasus di atas.
1. Hasil maksimum dalam kondisi ekonomi terbaik adalah 1000 juta,

sedangkan hasil maksimum dalam kondisi terburuk adalah 300 juta.
2. Tabel hasil pengurangan
Kondisi Ekonomi yang baik Kondisi ekonomi yang buruk

1000 juta – 500 juta = 500 juta 300 juta – 300 juta = 0
1000 juta – 1000 juta = 0 300 juta – (-400 juta) = 700 juta
1000 juta – 300 juta = 700 juta 300 juta – 100 juta = 200 juta
Nilai di atas menggambarkan penyesalan yang mungkin dialami oleh

pengambil keputusan jika keputusan yang diambil memberikan hasil di
bawah hasil maksimum dan dirangkum dalam tabel penyesalan di bawah
ini.
Tabel 11.5 Tabel Keputusan Kriteria Maximax Regret
Kondisi Dasar
membeli
Bangunan Kantor 0 700 juta
Keputusan
Untuk mengambil keputusan berdasarkan criteria minimax regret, kita

harus menentukan maksimum penyesalan dari setiap keputusan. Keputusan
yang akan dipilih adalah yang merupakan nilai minimum dari maksimum
penyesalan yang ada.
Jika investor membeli gudang dan bangunan kantor, nilai

penyesalannya adalah 700 juta, jika membeli apartemen, penyesalan yang
diderita maksimum hanya 500 juta. Jadi keputusan yang sesuai adalah
membeli apartemen.

11.2.4 KRITERIA HURWICZ
Kriteria Hurwicz mencari kompromi antara criteria maximax dan

maximin. Prinsip kriteria keputusan ini adalah pengambil keputusan tidak
sepenuhnya optimis dan tidak sepenuhnya pesimis. Dengan kriteria ini, hasil
keputusan dikalikan dengan koefisien optimisme, yaitu ukuran optimisme
pengambil keputusan.
Koefisien optimisme didefinisikan sebagai α, terletak diantara 0 dan

satu ( 0 < α < 1). Kriteria Hurwicz mengharuskan untuk setiap alternative
keputusan, hasil maksimum dikalikan dengan α dan hasil minimum
dikalikan dengan (1 – α ).
Untuk contoh di atas, jika α = 0.4 , maka (1- α) = 0.6. (investor lebih pesimis).
Tabel 11.6 Tabel Keputusan Kriteria Hurwicz
Keputusan Nilai
Apartemen 500 (0.4) + 300 (0.6) 380 juta
Bangunan Kantor 1000 (0.4) – 400 (0.6) 160 juta
Gudang 300 (0.4) + 100 (0.6) 180 juta
Kriteria Hurwicz menspesifikasi pemilihan alternative keputusan

sesuai dengan nilai tertimbang maksimum, yaitu 380 juta, dalam kasus di
atas. Jadi keputusan yang diambil adalah membeli apartemen.
11.2.5 KRITERIA BOBOT YANG SAMA
Jika criteria maksimax diterapkan dalam pengambilan keputusan,

pengambilan keputusan yang secara implicit mengasumsikan bahwa kondisi
dasar yang paling menguntungkan dari setiap keputusan yang terjadi.
Sementara jika criteria maxsimin diterapkan, kondisi dasar yang kurang
menguntungkan dari setiap keputusan akan terjadi .
Kriteria bobot yang sama memberikan bobot yang sama untuk setiap
kondisi dasar, jadi diasumsikan bahwa setiap kondisi dasar memiliki
kemungkinan yang sama akan terjadi.
Untuk contoh di atas, kita memberikan bobot yang sama yaitu 0.5.

Tabel 11.7 Keputusan Kriteria Bobot Yang Sama
Keputusan Nilai
Apartemen 500 (0.5) + 300 (0.5) 400 juta
Bangunan Kantor 1000 (0.5) – 400 (0.5) 300 juta
Gudang 300 (0.5) + 100 (0.5) 200 juta
Seperti Kriteria Hurwicz, kita memilih keputusan yang memiliki nilai

tertimbang yang maksimum. Jadi keputusan yang diambil adalah membeli
apartemen.
Rangkuman Hasil Kriteria
Tabel 11.8 Rangkuman Hasil Kriteria
Kriteria Keputusan
Maximax Bangunan Kantor
Maximin Apartemen
Maximin Apartemen
Minimum Penyesalan Apartemen
Hurwicz Apartemen
Bobot yang sama Apartemen
Keputusan untuk membeli apartemen diberikan oleh sebagian besar

criteria keputusan.
11.3 PENGAMBILAN KEPUTUSAN DENGAN PROBABILITAS

11.3.1 NILAI EKSPEKTASI
Untuk mengaplikasikan konsep nilai ekspektasi sebagai criteria

pengambilan keputusan, pengambil keputusan pertama-tama harus
memperkirakan probabilitas kejadian untuk masing-masing kondisi dasar.
Jika perkiraan ini telah dibuat, nilai ekspektasi untuk setiap alternatif dapat
dihitung.
Dalam contoh di atas, diasumsikan bahwa berdasarkan ramalan

ekonomi, investor dapat memperkirakan probabilitas sebesar 0.6 bahwa
kondisi ekonomi yang baik akan terjadi dan probabilitas sebesar 0.4 bahwa
kondisi ekonomi yang buruk akan terjadi.

Kondisi Dasar
membeli (0.6) (0.4)
Nilai Ekspektasi (EV) untuk setiap pengambilan keputusan dapat

dihitung sebagai berikut:
EV (Apartemen) = 500 (0.6) + 300 (0.4) = 420 juta

EV (Bangunan Kantor) = 1000 (0.6) – 400 (0.4) = 440 juta
EV (Gudang) = 300 (0.6) + 100 (0.4) = 220 juta
Keputusan yang terbaik adalah alternatif yang memiliki nilai

ekspektasi terbesar. Nilai ekspektasi berarti bahwa jika situasi keputusan ini
sering sekali terjadi, hasil rata-rata yang akan terjadi adalah 440 juta.
Karena nilai ekspektasi terbesar adalah 440 juta, maka keputusan

terbaik adalah membeli bangunan kantor.
11.3.2 PELUANG RUGI EKSPEKTASI (EXPECTED OPPORTUNITY LOSS)
Kriteria keputusan yang berkaitan erat dengan nilai ekspektasi adalah

Peluang Rugi Ekspektasi. Untuk menggunakan kriteria ini, kita mengalikan
probabilitas dengan penyesalan untuk setiap hasil keputusan, bukan
mengalikan hasil keputusan dengan probabilitas kejadian, seperti yang
dilakukan sebelumnya.
Konsep penyesalan telah diperkenalkan di atas ketika membicarakan

masalah kriteria minimax regret. Nilai penyesalan dapat dilihat pada tabel
berikut.

Tabel 11.10 Tabel Penyesalan
Kondisi Dasar
membeli
Bangunan Kantor 0 700 juta
Peluang Rugi Ekspektasi dari setiap keputusan dihitung sebagai

berikut:
EOL (Apartemen) = 500 (0.6) + 0 (0.4) = 300 juta

EOL (Bangunan Kantor) = 0 (0.6) – 400 (0.4) = 280 juta
EOL (Gudang) = 70 (0.6) + 20 (0.4) = 500 juta
Keputusan yang terbaik dihasilkan dari meminimumkan penyesalan,

atau dalam kasus ini, meminimumkan opportunity loss. Karena 280 juta
adalah expected regret minimum keputusan yang diambil adalah membeli
bangunan kantor.
Latihan:
Anda adalah seorang pembeli perusahaan, telah membeli perusahaan

perangkat komputer dan sedang merencanakan masa depan salah satu
perusahaan utamanya yang berlokasi di Bandung Barat. Ada tiga alternatif
yang dipertimbangkan:
1. Memperluas pabrik dan memproduksi bahan baku yang ringan dan tahan
lama untuk dijual ke luar negeri, pasar dengan sedikit pesaing.
2. Mempertahankan keadaan sekarang, melanjutkan produksi komponen
yang memiliki banyak pesaing.
3. Menjual pabrik.
Jika salah satu dari dua alternatif yang dipilih, pabrik akan dijual pada
akhir tahun. Jumlah keuntungan yang dapat diperoleh dari menjual pabrik
dalam satu tahun tergantung pada kondisi pasar asing, termasuk status
embergo perdagangan. Tabel hasil pertukaran berikut ini menggambarkan
situasi keputusan ini.

Kondisi Dasar
Keputusan Kondisi Persaingan Kondisi Persaingan yang
yang baik buruk
Memperluas 800 juta 500 juta
Mempertahankan 1300 juta -150 juta
Menjual saat ini 320 juta 320 juta
a. Tentukan keputusan terbaik menggunakan criteria keputusan berikut.
1. Maximax
2. Maximin
3. Minimax Regret
4. Hurwicz ( α= 0.3)
5. Equal likelihood. (bobot yang sama)
b. Asumsikan bahwa saat ini mungkin untuk memperkirakan probabilitas

sebesar 0.7 bahwa kondisi kompetitif yang baik terjadi dan probabilitas
sebesar 0.3 bahwa kondisi yang buruk akan terjadi. Tentukan keputusan
terbaik dengan menggunakan nilai ekspektasi dan peluang rugi
ekspektasi.
11.4 POHON KEPUTUSAN
Teknik berguna lainnya dalam menganalisis sistem keputusan adalah

diagram pohon. Suatu diagram pohon adalah diagram grafis yang terdiri
dari simpul (nodes) dan cabang (branches). Walaupun demikian, daripada
menentukan probabilitas setiap cabang (yaitu hasil) seperti dalam diagram
probabilitas, dalam diagram pohon pengguna menghitung nilai ekspektasi
untuk tiap hasil dan membuat keputusan berdasarkan nilai ekspektasi
tersebut.
Keuntungan utama dari diagram pohon adalah bahwa diagram

tersebut memberikan ilustrasi (atau gambaran) mengenai proses
pengambilan keputusan. Hal ini mempermudah perhitungan nilai ekspektasi
yang diperlukan secara lebih tepat dan pemahaman proses pengambilan
keputusan.
Contoh investor perumahan akan digunakan untuk memperagakan

hal-hal yang mendasar dari analisis diagram pohon. Keputusan, probabilitas,

dan hasil yang beragam dari contoh ini awalnya diperagakan dalam tabel di
bawah ini.
Kondisi Dasar
membeli (0.6) (0.4)
Diagram pohon untuk contoh ini ditunjukkan dalam gambar berikut.
Lingkaran (O) dan kotak (□) disebut simpul. Kotak adalah simpul keputusan
(decision nodes) dan cabang yang berasal dari simpul keputusan
mencerminkan alternatif keputusan yang mungkin terjadi pada saat tersebut.
Sebagai contoh, simpul 1menunjukkan keputusan untuk membeli

apartemen, bangunan kantor, dan gudang. Lingkaran adalah simpul
probabilitas dan cabang yang berasal dari simpul tersebut menandakan
kondisi dasar yang dapat terjadi: keadaan ekonomi yang baik atau keadaan
ekomomi yang buruk.

Diagram pohon menunjukkan urutan kejadian dalam situasi
k.eputusan. Pertama, salah satu dari ketiga pilihan keputusan dipilih pada
simpul 1. Tergantung dari cabang yang dipilih, pengambil keputusan sampai
pada simpul 2,3, dan 4 dimana salah satu kondisi dasar akan terjadi dan
menghasilkan salah satu dari enam yang mungkin.
Menentukan keputusan terbaik dengan menggunakan analisis

diagram pohon meliputi perhitungan nilai ekspektasi pada setiap simpul
probabilitas. Pencapaian hal ini dimulai dari hasil akhir, kemudian
dikerjakan ke belakang melalui diagram pohon ke arah simpul 1.
Pertama nilai ekspektasi dari hasil akhir dihitung pada setiap probabilitas.
EV (Apartemen) (simpul 2) = 500 (0.6) + 300 (0.4) = 420 juta

EV (Bangunan Kantor) (simpul 3) = 1000 (0.6) – 400 (0.4) = 440 juta
EV (Gudang) (simpul 4) = 300 (0.6) + 100 (0.4) = 220 juta
Nilai-nilai sekarang ini ditunjukkan sebagai expected payoff (hasil yang

diperkirakan) dari setiap tiga cabang yang berasal dari node 1 dalam gambar
di bawah ini.

Masing-masing dari ketiga nilai ekspektasi pada simpul 2,3, dan 4
adalah hasil dari keputusan yang mungkin terjadi pada simpul 1. Sambil
menuju ke simpul 1, kita memilih branch yang berasal dari probabilitas
dengan expected payoff tertinggi. Dari gambar tersebut, cabang yang
memiliki hasil tertinggi adalah yang berasal dari simpul 1 ke simpul 3,
sebesar 440 juta. Cabang ini menunjukkan keputusan untuk membeli
bangunan kantor.
Diagram Pohon Bagi Suatu Kumpulan Keputusan
Untuk memperagakan penggunaan diagram pohon bagi suatu

kumpulan keputusan, kita akan mengubah contoh investasi perumahan kita
agar mencakup periode 10 tahun dimana selama periode tersebut beberapa
keputusan harus dibuat.
Dalam contoh ini keputusan pertama yang dihadapi investor adalah

membeli apartemen atau membeli tanah.
Jika investor membeli apartemen, ada dua kondisi dasar yang

mungkin. Populasi kota tersebut meningkat (dengan probabilitas 0.6) atau
populasi tidak akan meningkat (dengan probabilitas 0.4). Kondisi dasar yang
manapun akan memberikan hasil dalam bentuk untung rugi. Di lain pihak,
jika investor memilih untuk membeli tanah, keputusan lain yang dibuat
dalam tiga tahun ke depan akan ditentukan tergantung dari perkembangan
tanah tersebut.
Diagram pohon untuk contoh ini dapat dilihat pada gambar berikut,
berisi semua data-data yang berhubungan termasuk keputusan, kondisi
dasar, probabilitas, dan untung rugi.

Simpul keputusan 1:
Pilihan keputusan adalah membeli apartemen dan membeli tanah.
Perhatikan bahwa biaya masing-masing spekulasi (dengan urutan 80 juta dan
20 juta ) ditunjukkan dalam tanda kurung.
Simpul probabilitas 2:
Jika apartemen dibeli, ada dua kondisi dasar yang mungkin pada simpul
probabilitas. Kota dapat menunjukkan peningkatan dengan probabilitas 0.6
atau tidak menunjukkan peningkatan dengan probabilitas 0.4. Jika populasi
meningkat, investor akan memperoleh hasil sebesar 200 juta, selama periode
10 tahun. (seluruh situasi keputusan ini meliputi jangka waktu 10 tahun).
Walaupun demikian, jika tidak terjadi peningkatan populasi, hasil yang akan
diperoleh hanya 22,5 juta.
Jika keputusan yang diambil adalah membeli tanah, ada dua kondisi dasar
yang mungkin pada simpul probabilitas 3. Kondisi dasar probabilitasnya
identik dengan yang terdapat pada node 2, walaupun demikian hasil yang
diperoleh berbeda.

Jika peningkatan populasi terjadi untuk periode 3 tahun, tidak ada hasil yang
diperoleh, tetapi investor akan mengambil keputusan yang berbeda pada
simpul 4 tergantung dari perkembangan tanah yang terjadi. Pada titik ini
apartemen akan dibangun dengan biaya 80 juta atau tanah akan dijual
dengan memperoleh hasil 45 juta.
Perhatikan bahwa situasi keputusan pada simpul 4 akan terjadi hanya

jika peningkatan populasi terjadi terlebih dahulu. Jika pada simpul 3 tidak
terjadi peningkatan populasi, tidak ada payoff dan situasi keputusan lain
yang perlu pada simpul 5; tanah dapat dibangun secara komersial dengan
biaya sebersar 60 juta atau tanah dapat dijual dengan harga 21 juta.
Jika pada simpul 4 adalah membangun apartemen, ada dua kondisi

dasar yang mungkin terjadi. Populasi dapat meningkat dengan probabilitas
kondisional sebesar 0.8 atau populasi tidak meningkat dengan probabilitas
kondisional sebesar 0.2. Probabilitas terjadi peningkatan populasi lebih tinggi
(dan probabilitas tidak terjadi peningkatan populasi lebih rendah daripada
sebelumnya karena pada tiga tahun pertama telah terjadi peningkatan
populasi, seperti yang ditunjukkan oleh cabang dari simpul 3 ke simpul 4.
Hasil dari kondisi-kondisi dasar ini ditunjukkan pada akhir periode 10 tahun
adalah 300 juta dan 70 juta.
Jika investor memutuskan untuk membangun tanah secara komersial

pada simpul 5, maka ada dua kondisi dasar yang dapat terjadi. Peningkatan
populasi dapat terjadi, dengan probabilitas sebesar 0.3 dan hasil sebesar 230
juta, atau peningkatan populasi sudah tidak terjadi, seperti yang ditunjukkan
oleh cabang dari simpul 3 ke simpul 5.
Situasi keputusan ini meliputi beberapa keputusan sekuensial yang
dapat dianalisis dengan menggunakan pendekatan diagram pohon yang
disampaikan dalam contoh sebelumnya. Seperti yang sebelumnya, kita mulai
dari akhir diagram pohon dan bekerja ke depan kea rah keputusan pada
simpul 1.
Pertama, kita harus menghitung nilai ekspektasi pada simpul 6 dan 7.
EV (simpul 6) = 0.8 (300) + 0.2 (70) = 254 juta

EV (simpul 7) = 0.3 (230) + 0.7 (100) = 139 juta

Pada simpul keputusan 4 dan 5, kita harus membuat keputusan.
Seperti pada tabel untung rugi normal, kita mengambil keputusan yang
menghasilkan nilai ekspektasi terbesar.
Pada simpul 4 kita melakukan pilihan antara dua nilai: 174 juta, nilai
yang diperoleh dari mengurangkan hasil ekspektasi sebesar 245 juta dengan
biaya membangun apartemen (80 juta) atau 45 juta nilai ekspektasi dari
menjual tanah dan dihitung dengan probabilitas dasar sebesar 1.0. Keputusan
yang diambil adalah membangun apartemen dan nilai dari simpul 4 adalah
174 juta.
Proses yang serupa diulang pada simpul 5. Keputusan pada simpul

menghasilkan keuntungan sebesar 79 juta ( 139 – 60 juta) dan 21 juta. Karena
nilai 79 juta lebih tinggi, maka keputusan yang diambil adalah membangun
tanah secara komersial. Kemudian kita harus menghitung nilai ekspektasi
pada simpul 2 dan 3:
EV (simpul 2) = 0.6 (200) + 0.4 (22,50) = 129 juta

EV (simpul 3) = 0.6 (174) + 0.4 (79) = 136 juta

Sekarang kita harus membuat keputusan akhir pada simpul 1 (satu).
Seperti sebelumnya, kita mengambil keputusan yang memiliki nilai
ekspektasi terbesar setelah dikurangi biaya-biaya yang ada di setiap
keputusan.
Apartemen : 129 – 80 = 49 juta

Tanah : 136 – 20 = 116 juta
Karena nilai bersih ekspektasi tertinggi adalah 116, keputusan yang diambil
adalah membeli tanah dan hasil keputusan tersebut adalah 116 juta.

PUSTAKA
1. Hamdy A. Taha. 1996. Riset Operasi: Suatu Pengantar. Edisi Kelima, Jakarta,
Binarupa Aksara.
2. Bernard W. Taylor III. 1996. Sains Manajemen. Edisi keempat, Jakarta, Salemba
Empat
3. Sri Mulyani. Riset Operasional. LPEM, UI.
4. Tjutju, T. & Dimyati, A. 2002. Operation Research, Model-Model Pengambilan

Keputusan. Bandung, Sinar Baru.
5. Siagian, P. 1987. Penelitian Operasional, Teori dan Praktek. Jakarta, Penerbit

Universitas Indonesia.

Insentif Bahan Ajar Riset Operasi-Dikonversi

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Insentif Bahan Ajar Riset Operasi-Dikonversi

Diunggah oleh

Hak Cipta:

Format Tersedia

Kode Rumpun Ilmu : 571/Manajemen

Ketua : Subambang H, SE, M.Si NIDN. 0126127801

PROGRAM STUDI MANAJEMEN

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 1

BAB 1 PENDAHULUAN ---------------------------------------------------------- 1

1.1 SEJARAH SINGKAT RISET OPERASI ------------------------ 1

BAB 2 PROGRAMA LINIER ----------------------------------------------------- 13

2.1 PENDAHULUAN --------------------------------------------------- 13

BAB 3 TEKNIK PEMECAHAN PROGRAMA LINIER (SOLUSI

3.1 PENDAHULUAN --------------------------------------------------- 23

BAB 4 SOLUSI METODE SIMPLEX ------------------------------------------- 34

4.1 PENDAHULUAN --------------------------------------------------- 34

BAB 5 MASALAH MINIMASI DAN TIPE PROGRAMA LINIER

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 3

BAB 6 ANALISIS POST OPTIMAL ------------------------------------------- 66

6.1 PENDAHULUAN --------------------------------------------------- 66

BAB 7 MASALAH TRANSPORTASI ----------------------------------------- 75

7.1 PENDAHULUAN --------------------------------------------------- 75

BAB 8 MASALAH PENUGASAN --------------------------------------------- 88

8.1 PENDAHULUAN --------------------------------------------------- 88

BAB 9 ANALISIS ANTRIAN ---------------------------------------------------- 96

9.1 PENDAHULUAN --------------------------------------------------- 96

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 4

BAB 11 ANALISIS KEPUTUSAN ----------------------------------------------- 123

11.1 PENDAHULUAN --------------------------------------------------- 123

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 5

Tabel 1. Peringkat teknik riset operasional/ilmu manajemen -------------- 2

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 6

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 7

Gambar 3.1 Koordinat untuk analisis grafik ----------------------------------- 24

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 8

1.1 SEJARAH SINGKAT RISET OPERASI

Setelah kesuksesan tim riset operasional ini, militer Inggris dan

Dunia usaha juga berkembang semakin kompleks semakin hari.

Melihat kesuksesan tim riset operasional pada militer, industri secara

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 9

Tabel 1. Peringkat teknik riset operasional/ilmu manajemen

Sumber : Hillier dan Lieberman, 1991.

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 10

Bidang Thomas and DaCosta Forgionne

Faktor kedua adalah perkembangan teknologi komputer. Perhitungan

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 11

Riset Operasi adalah suatu teknik pemecahan masalah yang berusaha

Istilah RO seringkali diasosiasikan hampir secara ekslusif dengan

Secara khusus, masalah-masalah keputusan biasanya mencakup

Sebagai sebuah teknik pemecahan masalah, riset operasi dapat

1.3 TAHAPAN STUDI RISET OPERASIONAL

Penyelesaian permasalahan keputusan tidak dapat diselesaikan

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 12

Kegiatan yang dilakukan pada tahap pertama terdiri dari penentuan

Tahapan penyelesaian model dilakukan dengan memilih salah satu

Model dinyatakan valid jika dapat memberikan prediksi yang masuk

Tahap terakhir merupakan implementasi. Tahapan ini mencakup

1.4 KOMPONEN-KOMPONEN DARI SEBUAH MODEL KEPUTUSAN

Munculnya persoalan-persoalan keputusan adalah karena seorang

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 13

Tujuan adalah hasil akhir yang hendak dicapai yang dilakukan

Ketika tujuan telah didefinisikan, tahap selanjutnya yang harus

Untuk dapat menentukan tindakan-tindakan yang mungkin

1.5 MODEL DALAM RISET OPERASI

Model adalah gambaran ideal dari suatu situasi (dunia) nyata,

STIE GRAHA KIRANA MEDAN | SUBAMBANG HARSONO, SE, M.Si 14

Pembentukan model adalah esensi dari pendekatan RO karena solusi