RISET OPERASI

Oleh:
Hilma Ainah
NIM: 2034021222

PROGRAM STUDI RISET OPERASI

JURUSAN MANAJEMEN
FAKULTAS EKONOMI
UNIVERSITAS KRISNADWIPAYANA
JAKARTA
2021

1
 KATA PENGANTAR

Makalah ini ditulis dengan harapan utama memenuhi nilai semester ganjil ini serta
membantu mempelajari dan mengatasi kesulitan dalam mempelajari Riset Operasi.
Ruang lingkup Riset Operasi memang sangat luas, karena itu makalah ini membantu
merangkum materi dan mempermudah pembahasannya. Dalam hal ini, demi
mempersingkat waktu dapat digunakan software computer. Bukan hanya kecepatan,
melainkan keakuratan dan keanekaragaman yang diperoleh software itu diharapkan
mahasiswa semakin tertarik mempelajari dan menerapkan Riset Operasi.
Masih banyak ditemukannya kekurangan dalam makalah ini namun saya selaku
penulis sangat berterima kasih jika pembaca bersedia membantu memperbaiki.

DAFTAR ISI

KATA PENGANTAR...........................................................................................................................2
PENDAHULUAN..................................................................................................................................7
PERKEMBANGAN RISET OPERASI.............................................................................................7
ARTI RISET OPERASI.....................................................................................................................7
MODEL DALAM RISET OPERASI................................................................................................8
TAHAP-TAHAP DALAM RISET OPERASI..................................................................................9
1. Merumuskan masalah..........................................................................................................9
2. Pembentukan Model............................................................................................................9
3. Mencari Penyelesaian Masalah............................................................................................9
4. Validasi Model.....................................................................................................................9
5. Penerapan Hasil Akhir.......................................................................................................10
METODE-METODE UMUM MENCARI SOLUSI.......................................................................10
SIFAT-SIFAT RISET OPERASI TEKNIK.....................................................................................10
KETERBATASAN RISET OPERASI............................................................................................11
PERANAN KOMPUTER................................................................................................................11
BAB I...................................................................................................................................................12
Program Linier.................................................................................................................................12
1.1 Pengantar...........................................................................................................................12

2
 1.2 Formulasi Model LP..........................................................................................................12
1.3 Bentuk Umum Model LP...................................................................................................12
1.4 Asumsi Model LP..............................................................................................................12
1.5 Grafik Model LP................................................................................................................13
BAB II..................................................................................................................................................15
Metode Simpleks..............................................................................................................................15
2.1 Bentuk Baku Model LP.....................................................................................................15
2.2 Metode dan Tabel Simpleks..............................................................................................15
2.3 Kasus Khusus dalam Penerapan Metode Simpleks...........................................................17
2.4 Penafsiran Tabel Simpleks.................................................................................................18
2.5 Solusi Komputer................................................................................................................18
BAB III.................................................................................................................................................22
Dualitas dan Analisis Sensitivitas....................................................................................................22
3.1 Teori Dualitas....................................................................................................................22
3.2 Metode Dual Simpleks.......................................................................................................24
3.3 Analisis Sensitivitas...........................................................................................................24
BAB IV................................................................................................................................................25
Integer Programming.......................................................................................................................25
4.1. Pendekatan Pembulatan.....................................................................................................25
4.2. Metode Grafik....................................................................................................................25
4.3. Metode Gomory (Cutting Plane Alghorithm)....................................................................25
4.4. Metode Branch and Bound................................................................................................26
4.5. Zero-One Integer Programming.........................................................................................26
BAB V..................................................................................................................................................28
Model Transportasi..........................................................................................................................28
5.1 Definisi dan Aplikasi Model Transportasi.........................................................................28
5.2 Solusi Awal........................................................................................................................28
5.3 Solusi Optimum.................................................................................................................29
5.4 Masalah Pemindahan.........................................................................................................30
BAB VI................................................................................................................................................31
Multi-Stage (Dynamic) Programming.............................................................................................31
6.1 Ciri-Ciri Masalah Dynamic Programming........................................................................31
6.2 Dynamic Programming......................................................................................................32
BAB VII...............................................................................................................................................33
Program Nonlinier............................................................................................................................33

3
 7.1 Ketidaklinieran Dalam Ekonomi.......................................................................................33
7.2 Matriks dan Hubungannya dengan Optimisasi..................................................................33
7.3 Optimisasi tanpa Kendala..................................................................................................35
7.4 Optimisasi dengan Kendala Persamaan.............................................................................36
7.5 Pembedaan Program Linier dengan Nonlinier...................................................................37
7.6 Masalah Optimisasi Kendala Pertidaksamaan (Program Nonlinier).................................37
BAB VIII..............................................................................................................................................39
Linear Goal (Multi Objectives) Programming.................................................................................39
8.1 LGP:Konsep-Konsep Dasar dan Unsur-Unsurnya............................................................39
8.2 Asumsi Model LGP...........................................................................................................40
8.3 Perumusan Masalah LGP...................................................................................................41
BAB IV................................................................................................................................................42
Probabilitas Konsep-Konsep Dasar..................................................................................................42
9.1 Arti dan Pendekatan Probablititas......................................................................................42
9.2 Konsep Dasar dan Aturan Probabilitas..............................................................................42
9.3 Diagram Pohon..................................................................................................................43
9.4 Teori Bayes........................................................................................................................43
BAB X..................................................................................................................................................44
Distibusi Probabilitas.......................................................................................................................44
10.1 Variable Random...........................................................................................................44
10.2 Distribusi Probabilitas Poisson......................................................................................44
10.3 Distribusi Probabilitas Normal.......................................................................................45
10.4 Distribusi Probabilitas Eksponensial..............................................................................45
10.5 Distribusi Probabilitas Beta............................................................................................45
10.6 Expected Value and Varians..........................................................................................46
BAB XI................................................................................................................................................47
Analisis Keputusan...........................................................................................................................47
11.1 Keputusan dalam Uncertainty........................................................................................47
11.2 Keputusan dalam Suasana Riskan..................................................................................47
11.3 Kriteria Utility dalam Suasana Riskan...........................................................................48
BAB XII...............................................................................................................................................49
Game Theory....................................................................................................................................49
12.1 Matrik Pay-Off Suatu Game...........................................................................................49
12.2 Prinsip Maximin dan Minimax......................................................................................49
12.3 Peranan Dominasi..........................................................................................................49

4
 12.4 Mixed Strategy...............................................................................................................50
12.5 Linear Programming dan Game Theory........................................................................50
12.6 Dilema Tahanan.............................................................................................................51
12.7 Game Berurutan (Tak Serentak)....................................................................................51
BAB XIII..............................................................................................................................................53
Analisis Markov...............................................................................................................................53
13.1 Ciri-Ciri Proses Markov.................................................................................................53
13.2 Peralatan Analisis Markov.............................................................................................53
13.3 Probabilitas Steady State................................................................................................54
BAB XIV.............................................................................................................................................55
Analisis Antrian...............................................................................................................................55
14.1 Komponen Proses Antrian.............................................................................................55
14.2 Struktur Dasar Proses Antrian........................................................................................55
14.3 Kerangka Keputusan Masalah Antrian..........................................................................55
14.4 Asumsi-Asumi Teori Antrian.........................................................................................56
14.5 Notasi Kendala...............................................................................................................58
14.6 Model Antrian Satu Saluran Satu Tahap (M/ M/ 1).......................................................58
14.7 Model Antrian Banyak Saluran Satu Tahap (M/M/C)...................................................59
BAB XV...............................................................................................................................................60
Analisis Persediaan..........................................................................................................................60
15.1 Jenis dan Manfaat Persediaan........................................................................................60
15.2 Sifat Permintaan.............................................................................................................60
15.3 Biaya Persediaan............................................................................................................60
15.4 Model Persediaan...........................................................................................................60
15.5 Analisis Marginal...........................................................................................................61
BAB XVI.............................................................................................................................................62
Critical Path Method dan Program Evaluation and Review Technique.........................................62
16.1 Model jaringan CPM/PERT...........................................................................................62
16.2 PERT..............................................................................................................................62
BAB XVII............................................................................................................................................64
Simulasi............................................................................................................................................64
17.1 Proses Monte Carlo........................................................................................................64
17.2 Simulasi Sistem Tak Terstruktur....................................................................................65
17.3 Analisis Persediaan dengan Simulasi.............................................................................67
17.4 Simulasi dalam Analisis Antrian....................................................................................68

5
 17.5 Penciptaan Angka Random............................................................................................68
17.6 Bidang Penerapan Simulasi............................................................................................68
BAB XVIII...........................................................................................................................................69
Analytical Hierarchy Process...........................................................................................................69
1. Dasar-Dasar AHP..............................................................................................................69
2. Hubungan Prioritas AS sebagai Eigen Vector terhadap Konsistensi................................71
3. AHP untuk Memilih Portfolio...........................................................................................72
4. AHP Untuk Analisis Manfaat Biaya..................................................................................72

6
 PENDAHULUAN

PERKEMBANGAN RISET OPERASI

Riset Operasi yang berasal dari Inggris merupakan suatu hasil studi operasu militer selama
Perang Dunia II. Setelah perang selesai, perkembangannya menyebar dengan cepat di Amerika
Serikat, dimana dikenal dengan Riset Operasi atau Operations Research. Kini, OR banyak diterapkan
dalam menyelesaikan masalah-masalah manajemen demi meningkatkan produktivitas, dalam
literature manajemen, OR sering disebut sebagai Management Science.
Istilah Riset Operasi digunakan pertama kali pada 1940 oleh McClosky dan Trefthen di
Bowdsey, Inggris. Pada tahun 50-an, baik di Inggris ataupun Amerika Serikat adalah suatu dasa
warsa terpenting dalam sejarah OR. Langkah besar terjadi dalam penelitian murni tentang masalah
persediaan produksi dan antri (queueing).
ARTI RISET OPERASI
Secara harfiah, operations didefinisikan sebagai tindakan yang diterapkan pada beberapa
masalah atau hipotesis. Sementara research adalah suatu proses yang terorganisasi dalam mencari
kebenaran akan masalah atau hipotesis.

Definisi 1
Operational research is the application of the methods of science to complex
problems arising in the direction and management of large system of men, machines,
materials and money in industry, business, government and defends. The distinctive
approachis to develop a scientific model of a system, incorporating measurements of factors
as chance and risk, with which to predict and compare the outcomes of alternative dedsions,
strategies or controls. The purpose is to help management determine its policy and action
scientifically. (Operations Research Society of Great Britain)
Riset operasi adalah penerapan metode ilmiah terhadap berbagai masalah rumit yang
muncul dalam pengarahan dan pengelolaan system besar manusia, mesin, bahan dan uang
dalam industry, bisnis, pemerintahan, dan pertahanan. Ini bertujuan membentuk suatu model
ilmiah dari system, menggabungkan ukuran factor-factor seperti kesempatan dan risiko,
untuk meramalkan dan membandingkan hasil beberapa keputusan, strategi atau pengawasan.
Tujuannya adalah membantu pengambil keputusan menentukan kebijakan dan tindakannya
secara ilmiah.

Definisi 2
Operations research concerned with scientifically deciding how to best design and
operate man-machine systems, usually under conditions requiring the a locations or scarce
resources. (Operations Research Society of America)
Riset operasi berkaitan dengan menentukan pilihan secara ilmiah dan membutuhkan
alokasi sumber daya yang langka.

7
 Kedua definisi ini penting karena berasal dari lembaga paling penting di bidang ini.

Definisi 3
OR is the art of giving bad answers to problems which otherwise have worst answers.
(T.L. Saaty)
OR adalah seni memberikan jawaban buruk untuk masalah yang sebaliknya memiliki
jawaban buruk.

Definisi 4
OR adalah pendekatan dalam pengambilan keputusan yang ditandai dengan
penggunaan pengetahuan ilmiah melalui usaha kelompok antar disiplin yang bertujuan
menentukan penggunaan terbaik sumber daya yang terbatas. (Hamdi A. Taha, 1976)

Definisi 5
OR is the application or scientific methods, techniques, and tools to problems
involving the operations of a system so as to provide in control of the system with optimum
solutions to the problem. (Churchman, Ackoff, and Arnoff 1957)
OR dapat diartikan sebagai peneraoan metode, teknik, dan alat terhadap masalah-
masalah yang menyangkut operasi system, sehingga memberikan penyelesaian optimal.
Suatu kecualian dikatakan S.L. Cook dalam Little Child 1977:
OR dijelaskan sebagai suatu metode, pendekatan, seperangkat Teknik, sekelompok kegiatan,
kombinasi beberapa disiplin, perluasan dari disiplin-disiplin utama (matematika, teknik,
ekonomi), suatu disiplin baru, lapangan kerja, bahkan suatu agama.

MODEL DALAM RISET OPERASI

Model adalah abstraksi atau factor yang dominan dari masalah yang dianalisis diikut
sertakan. Ia menunjukan hubungan dari aksi dan reaksi dalam pengertian sebab-akibat. Model
akan lengkap bila mencerminkan semua realitas yang sedang diteliti.
Salah satu alasan pembentukan model adalah menemukan variable penting atau
menonjol. Penemuan itu berkaitan dengan penyelidikan hubungan antara variable itu,
biasanya digunakan teknik-teknik kuantitatif seperti statistic dan simulasi.
Model diklasifikasikan menurut jenis, dimensi, fungsi, tujuan, subjek, atau derajat
abstraksinya.
Iconic (Phsyical) Model
8
 Model iconic adalah penyajian fisik yang tampak seperti asli namun dengan skala berbeda.
Model iconic mudah diamati, dibentuk, dan dijelaskan, tetapi sulit memanipulasi, dan tidak
berguna untuk peramalan.
Analogue Model
Model analogue lebih astrak daripada model iconic, karena tak terlihat sama antara model
dan system nyata. Model ini lebih mudah untuk memanipulasi dan menunjukan suatu
dinamis, dan lebih berguna dari model iconic.
Mathematic (Symbolic) Model
Di antara model sebelumnya, model ini lah yang paling abstrak. Model ini menggunakan
symbol matematika untuk menunjukan komponennya (dan hubungan antar mereka) dari
system nyata. Namun, system nyata tidak selalu dapat diekspresikan dalam rumusan
matematika.
Model ini dibedakan menjadi dua kelompok, yaitu, deterministic dan probabilistic.
Model deterministic dibentuk dalam situasi kepastian. Keuntungan model ini ialah dapat
dimanipulasi dan diselesaikan dengan mudah.
Model probabilistic meliputi kasus yang diasumsikan ketidakpastiannya. Namun,
model ini lebih realistis dan umunya sulit dianalis.

TAHAP-TAHAP DALAM RISET OPERASI

1. Merumuskan masalah
Dalam perumusan masalah ini ada tiga pertanyaan penting yang harus dijawab:
1. Variable keputusan dalam persoalan dapat dikendalikan oleh pengambil keputusan, sering
jua disebut instrument.
2. Tujuan (objective) membantu pengambil keputusan memusatkan perhatian pada persoalan
dan pengaruh terhadap organisasi.
3. Kendala (constraints) adalah pembatas terhadap alternatif tindakan.
2. Pembentukan Model
Pengambil keputusan menentukan model yang paling cocok dan relevan untuk mewakili
system. Model merupakan ekspresi kuantitif dari tujuan dan kendala-kendala persoalan dalam
variable keputusan. Beberapa kasus menggunakan kombinasi model matematika dan
probabilitas namun tergantung pada sifat dan kerumitan system yang dipelajari.
3. Mencari Penyelesaian Masalah
Pada tahap ini berbagai Teknik dan metode solusi kuantitatif merupakan bagian utama OR
memasuki proses. Seringkali, solusi terhadap model berarti nilai variable keputusan
mengoptimumkan fungsi tujuan dengan fungsi tujuan lain yang dapat diterima.
4. Validasi Model
Model harus diperiksa agar mencerminkan system yang diwakili. Suatu metode yang
digunakan untuk menguji validitas model adalah membandingkan performance.

9
 5. Penerapan Hasil Akhir
Tahap akhir adalah menerapkan hasil model yang telah diuji. Suatu tahap kritis pada tahap ini
adalah mempertemukan ahli OR (pembentuk model) dengan pelaksana sistem.

METODE-METODE UMUM MENCARI SOLUSI

Pendekatan Analitik
Metode analitik memerlukan perwujudan model dengan solusi grafik atau perhitungan
matematika. Jenis matematika yang digunakan tergantung pada sifat model.
Pendekatan Numerik
Metode numerik berhubungan dengan perulangan atau uji coba dari prosedur kesalahan.
Metode numerik digunakan jika beberapa metode analitik gagal. Urutannya dimulai dengan
solusi awal sampai tidak mungkin adanya perbaikan.
Metode Monte-Carlo
Metode ini memerlukan konsep probabilitas dan sampling. Langkah pendekatannya adalah:
a. Pengamatan sampel dilakukan dan kemudian distribusi probabilitas variable ditentukan,
b. Ubah distribusi probabilitas menjadi distribusi kumulatif,
c. Urutkan bilangan random dengan table random,
d. Tentukan urutan nilai variable bersangkutan dengan urutan bilangan random yang
didapat,
e. Cocokkan fungsi matematika standar dengan nilai-nilai sebelumnya.

SIFAT-SIFAT RISET OPERASI TEKNIK

Beberapa masalah OR didefinisikan dengan baik dan digolongkan sebagai berikut:
1. Masalah alokasi
2. Masalah pertarungan
3. Masalah antri
4. Masalah jaringan
5. Masalah persediaan
Ciri-Ciri OR
1. Pendekatan kelompok antar disiplin untuk hasil optimum,
2. Menggunakan teknik penelitian ilmiah untuk solusi optimum,
3. Memberikan jawaban jelek jika tersedia jawaban yang lebih jelek. Ia tidak memberi
jawaban sempurna sehingga OR hanya memperbaiki kualitas solusi.
Keilmiahan dan Seni OR
Sebagai suatu Teknik penyelesaian masalah, OR harus dilihat baik sebagai pengetahuan
maupun seni. Pengetahuannya terletak pada penyediaan teknik dan algoritma untuk
10
 menyelesaikan masalah. OR suatu seni karena keberhasilannya tergantung kreativitas dan
kemampuan pengambil keputusan.

KETERBATASAN RISET OPERASI

OR dalam metode optimisasi non klasik dapat menangani kendala pertidaksamaan maupun
persamaan. Metode ini lebih menarik dan realistis namun membutuhkan metode solusi baru
karena pertidaksamaan tak dapat ditangani dengan kalkulus klasik.
Kelemahan tertentu dalam Teknik OR:
a. Perumusan masalah dalam suatu program adalah tugas yang sulit.
b. Jika organisasi mempunya tujuan bertentangan, akan terjadi Sub Optimum.
c. Suatu hubungan nonlinier yang menjadi linier dapat mengganggu solusi yang disarankan.
PERANAN KOMPUTER
Pada tahun 80an software OR akhirnya beredar, selain mempermudah penyelesaian, juga
mempopulerkan OR dan meningkatkan penerapan dalam menyelesaikan masalah. Pada
makalah ini akan dilampirkan software sederhana namun cukup memadai, yaitu AB:QM
yang diciptakan oleh Sang M.Lee dan Jung P. Shim.

11
 BAB I
Program Linier
1.1 Pengantar
Program linier (LP) merupakan salah satu teknik OR yang digunakan paling luas. Ia
merupakan metode matematika untuk mencapai tujuan tunggal seperti memaksimumkan
keuntungan atau meminimumkan biaya.
George B. Dantzig diakui sebagai pioneer LP, karena jasanya menemukan metode
mencari solusi masalah LP dengan banyak variable keputusan. Ia bekerja pada penelitian
teknik matematika untuk memecahkan masalah logistic militer, penelitiannya didukung oleh
ahli lain yang bekerja pada subjek yang sama. Nama asli Teknik ini adalah program saling
ketergantungan kegiatan-kegiatan dalam suatu struktur linier yang dipendekkan menjadi
linier programming.
1.2 Formulasi Model LP
Setelah masalah diidentifikasikan, tujuan ditetapkan, langkah selanjutnya adalah formulasi
model matematika yang meliputi tiga tahap:
a. Tentukan variable yang tak diketahui (variable keputusan) dan nyatakan dalam symbol
matematika.
b. Membentuk fungsi tujuan yang ditunjukan sebagai hubungan linier (bukan perkalian) dari
variable keputusan.
c. Menentukan semua kendala dan mengekspresikan dalam persamaan pada hubungan linier
dari variable keputusan yang mencerminkan, dan keterbatasan sumber daya masalah.
Pembentukan model bukan bersifat ilmiah murni tetapi lebih bersifat seni.
1.3 Bentuk Umum Model LP
Pada setiap masalah, ditentukan variable keputusan, fungsi tujuan, dan system kendala yang
membentuk model matematika dari dunia nyata. Bentuk umumnya adalah:
n
Maksimumkan (minimumkan) Z=∑ C j X j
j=i

Dengan: aijXj (≤, =, ≥)bi, untuk semua i (i=1, 2, …m) semua Xj ≥ 0, keterangan:
Xj: Banyaknya kegiatan j, dimana j=1, 2, …n. (n variable keputusan)
z: Nilai fungsi tujuan
Cj : Sumbangan per unit kegiatan
bi: Jumlah sumber daya i (i=1, 2, …m), m sebagai jenis sumber daya
aij: banyaknya sumber daya i yang dikonsumsi sumber daya j
1.4 Asumsi Model LP
Model LP mengandung asumsi implisit tertentu yang harus dipenuhi agar definisi sebagai
masalah LP menjadi abash. Asumsi itu menuntut bahwa hubungan fungsional dalam masalah
itu adalah linier dan aditif, dapat dibagi, dan deterministic.

12
 a. Linierity and Additivity
Syarat utama dari LP adalah bahwa fungsi tujuan dan semua kendala harus linier. Dengan
kata lain, jika suatu kendala melibatkan dua variable keputusan, dalam diagram dimensi
dua ia akan berupa garis lurus. Begitu juga yang melibatkan tiga variable maka akan
menghasilkan bidang datar dan kendala yang melibatkan n variable akan menghasilkan
hyperplane (bentuk geometris rata) dalam ruang berdimensi n.
LP mensyaratkan bahwa jumlah variable kriteria dan jumlah penggunaan sumber daya
harus bersifat aditif. Aditif dapat diartikan sebagai tak adanya penyesuaian pada
perhitungan variable kriteria karena terjadinya interaksi.
b. Divisibility
Asumsi ini berarti nilai yang diperoleh Xj tidak harus berupa bilangan bulat yang berarti
nilai Xj dapat terjadi nilai pecahan. Karena itu variable keputusan merupakan variable
kontinu, sebagai lawan dari variable diskrit atau bilangan bulat.
c. Deterministic

Dalam LP, semua parameter model (cj, aij, dan bi) diasumsikan konstan.
1.5 Grafik Model LP
Masalah LP dapat diilustrasikan dan dipecahkan secara grafik jika hanya memiliki dua
variable keputusan. Meski jarang terjadi dalam dunia nyata, kita dapat menarik kesimpulan
yang menjadi dasar untuk pembentukan metode pemecahan (solusi) umum melalui algoritma
simpleks.
Contoh soal:
Suatu perusahaan menghasilkan dua barang, meja dan kursi. Harga masing-masing
barang terlihat pada table. Menurut bagian penjualan, permintaan meja tidak melebihi 4 unit.

table 1.1

Sumber Daya Meja Kursi Sumber Daya yang Tersisa

Bahan mentah 1 2 10
Buruh 6 6 36
Harga Per Unit 4 5

Maksimumkan Z = 4X1 + 5X2

Dengan syarat: X1 + 2X2 ≤ 10
6X1 + 6X2 ≤ 36
X1 ≤ 4
X11 X2 ≥ 0

13
 8

0
0 1 2 3 4 5 6 7 8 9 10

Gambar 1.1

Suatu cara untuk menggambarkan masing-masing persamaan garis adalah dengan

menetapkan salah satu variable dalam suatu persamaan dengan nol dan mencari nilai variable
lain. Misal jika X1 = 0, maka 2X2 = 0 atau X2 = 5. Secara serupa, X1 = 10. Kedua titik ini
(0,5) dari (10,0) kemudian dihubungkan dengan suatu garis lurus.
Penyelesaian grafis untuk masalah minimisasi dapat dicari dengan cara serupa pada
masalah maksimisasi. Umumnya, solusi masalah minimisasi adalah pada titik dalam batas
ruang solusi yang paling dekat dengan titik asal yang disentuh oleh fungsi tujuan, yang
berlawanan dengan masalah maksimisasi dimana solusi optimal berada paling jauh dari titik
asal yang disentuh oleh fungsi tujuan.

14
 BAB II
Metode Simpleks
2.1 Bentuk Baku Model LP
Dalam menggunakan metode simpleks untuk menyelesaikan masalah-masalah LP, model LP
harus diubah kedalam bentuk umum yang dinakan “bentuk baku” (standard form). Ciri-ciri
bentuk baku model LP adalah:
 Semua kendala berupa persamaan dengan sisi kanan non-negatif
 Semua variable non-negatif
 Fungsi tujuan dapat maksimum maupun minimum.

a. Kendala
1. Suatu kendala jenis ≤, ≥ dapat diubah menjadi suatu persamaan dengan menambahkan
variable slack ke sisi kendala. (mengurangkan suatu variable surplus)
2. Sisi kanan suatu persamaan dapat selalu dibuat non negative dengan cara mengalikan
kedua sisi dengan -1.
3. Arah pertidaksamaan dibalik jika kedua sisi dikalikan -1.
b. Variable
Sebagian atau semua variable dikatakan unrestricted jika memiliki nilai negative maupun
positif.
c. Fungsi Tujuan
Meskipun model LP dapat berjenis maksimisasi maupun minimisasi, terkadang
bermanfaat untuk mengubah salah satu bentuk ke bentuk lain. Maksimisasi fungsi adalah
ekuivalen dengan minimisasi dari negative fungsi yang sama dan sebaliknya.
2.2 Metode dan Tabel Simpleks
Metode simpleks didasarkan pada gagasan dengan langkah-langkah berikut:
a. Dimulai pada suatu titik pojok layak, biasanya titik awal,
b. Bergerak dari satu titik pojok layak ke titik lainnya yang berdekatan. Pergerakan ini akan
menghasilkan nilai fungsi lebih baik.
c. Proses ini diulang-ulang sampai suatu solusi lebih baik tak ditemukan.
Mengubah bentuk baku model LP kedalam bentuk table akan memudahkan proses
perhitungan simpleks.
a. Berdasar bentuk baku, tentukan solusi awal (initial basis feasible silution) dengan
menetapkan n-m variable non basis sama dengan nol.
b. Pilih semua entering variable diantara yang sedang menjadi variable non basic, yang jika
dinaikan diatas nol, dapat memperbaiki nilai fungsi tujuan.
c. Perubahan leaving variable diantara yang sedang menjadi variable basis harus menjadi
non basis ketika entering variable menjadi variable biasa.

15
 d. Tentukan solusi baru dengan membuat entering variable dan leaving variable menjadi
non basis.
Contoh soal:
Maksimumkan Z = 3X1 + 2X2
Dengan syarat: X1 + X2 ≤ 15
2X1 + X2 ≤ 28
X1 + 2X2 ≤ 20
X1, X2 ≥ 0
Bentuk baku model LP adalah
Z – 3X1 – 2X2 – OS1 – OS2 – OS3 = 0
X1 + X2 + S1 = 15
2X1 + X2 + S1 = 28
X1 + 2X2 + S3 = 20
Pada langkah a, solusi awal ditentukan dari persamaan kendala dengan menetapkan
dua (-2, -3). Dengan menetapkan X1 = 0 dan X2 = 0, diperoleh S1 = 15, S2 = 28, dan S3 = 20.
Titik ini merupakan solusi awal.
Kapan solusi telah optimum? Dengan memeriksa persamaan Z, terlihat variable non
basis yaiitu X1 atau X2 menjadi lebih besar daripada nol.
Optimality condition metode simpleks menyatakan bahwa dalam kasus maksimilisasi,
jika semua variable non basis memiliki koefisien non negative maka solusi telah optimum.
Jika tidak, variable non basis dengan koefisien negative terbesar dipilih sebagai entering
variable. Penentuan leaving variable dilakukan dengan menggunakan feasibility condition
yang menyatakan bahwa untuk masalah maksimisasi maupun minimilisasi, leaving variable
adalah variable basis yang memiliki rasio terkecil antara sisi kanan persamaan kendala
dengan koefisien bersangkutan yang positif pada entering variable.
Optimality Condition: entering variable pada maksimisasi (minimasasi) adalah
variable non basis dengan koefisien negative (positif) terbesar. Suatu koefisien kembar dipilih
acak jika semua koefisien non basis adalah non negative (non positif), solusi optimum telah
dicapai. Feasibility Condition: baik masalah maksimisasi maupun minimisasi, leaving
variable basis yang memiliki rasio terkecil (dengan penyebutan positif).
Keunggulan metode simpleks disbanding penyelesaian secara grafik adalah ia
menyelesaikan masalah LP dengn berapapun jumlah variable.
a. Masalah Minimisasi
Dalam masalah minimisasi, biasanya kendala pertidaksamaan jenis ≤. Istilah variable
slack dan variable surplus adalah berbeda dimana slack ditambahkan dan mencerminkan
sumber daya yang tak terpakai, sementara surplus dikurangkan dan menunjukan suatu
kelebihan diatas keperluannya, tetapi keduanya diberikan notasi serupa, yaitu 5.

16
 Kebutuhan utama metode simplek adalah solusi awal layak (initial basic feasible
solution). Ada dua pendekatan untuk mendapatkan suatu solusi awal layak, yaitu:
1) Coba-coba
Dimana suatu variable basis dipilih acak untuk setiap kendala.
2) Menggunakan Artifical Variable
Gagasan penggunaannya sangat sederhana. Tambahkan suatu artificial variable pada sisi
kiri setiap persamaan yang tidak memiliki variable basis. Dinamakan artificial karena ia
tidak memiliki arti nyata.

b. Metode Simpleks M (Teknik M

Pada pendekatan ini, artificial variable dalam fungsi tujuan diberikan suatu biaya besar
disbanding bilangan lain dalam model. Dalam praktik, huruf M digunakan sebagai biaya
dalam masalah minimisasi dan -M sebagai keuntungan dalam masalah maksimisasi
dengan asumsi bahwa M adalah suatu angka positif besar.

1) Suatu artificial variable ditambahkan untuk bertindak sebagai variable basis. Sekali ia
diganti oleh real variable, tak perlu mempertahankannya dalam table simpleks.

2) Jika metode simplek M berakhir dengan suatu table optimal, terkadang satu atau lebih
artificial variable tetap menjadi variable basis dengan nilai positif, yang berarti masalah
itu tidak layak.

c. Variable Negatif

Dalam metode simplex, nilai negative tak diperbolehkan, sehingga masalah yang nilai
variable keputusan negative harus diubah kedalam suatu masalah yang ekuivalen dengan
variable positif. Ada dua kasus kenegatifan yang akan mengalami ekuivalensi:

1) Variable unrestricted (tak terbatas)

2) Variable yang negative dalam suatu batas tertentu

2.3 Kasus Khusus dalam Penerapan Metode Simpleks.
Kasus-kasus khusus yang dapat terjadi dalam metode simpleks, meliputi:
1. Solusi optimum berganda
Jika fungsi tujuan sejajar dengan suatu kendala, maka akan terjadi nilai optimal yang
sama pada lebih dari satu titik solusi. Keadaan ini dinamakan optimum berganda atau
optimum alternatif.
2. Solusi Tak Terbatas
Pada beberapa LP, nilai variable mungkin bertambah tak terbatas tanpa menyimpang dari
kendala, berarti bahwa ruang solusi menjadi tak terbatas sekurang-kurangnya pada satu
arah. Dikatakan juga bahwa baik ruang solusi maupun nilai tujuan optimum adalah tak
terbatas yang dikarenakan kesalahan membuat model. Kesalahan itu berupa:
1) Satu atau lebih kendala yang tak berlebih tak diikutsertakan

17
 2) Parameter dari beberapa kendala tak diduga dengan benar.
Sebagai suatu aturan umum, ketidak terbatasan dapat dinyatakan seperti: jika pada
setiap iterasi elemen-elemen suatu variable non basis adalah non positif, maka ruang
solusi tak dibatasi ke arah variable itu. Namun, jika koefisien fungsi tujuan variable
itu adalah positif dalam maksimisasi atau negative dalam minimisasi, maka nilai
fungsi tujuan juga tak terbatas.
3. Solusi Tak Layak
Jika kendala tak dapat dipenuhi secara serentak, model dikatakan tidak memiliki solusi
layak. Keadaan ini tak akan terjadi jika semua kendala adalah jenis ≤ (dengan konstan
sisi kanan positif), karena variable slack selalu memberikan solusi layak.
Menurut pengalaman, tidak adanya ruang solusi layak menunjukkan kemungkinan
bahwa model tak dirumuskan dengan benar, karena kendala saling bertentangan. Ini juga
berarti bahwa kendala-kendala tidak dipenuhi secara serentak.
4. Degenerasi
Dalam penerapan feasibility condition, jika terdapat rasio minimum kembar, maka
pemilihan leaving variable dilakukan secara sembarang. Jika terjadi satu atau lebih
variable basis akan sama dengan nol pada iterasi berikutnya. Solusi tersebut mengalami
degenerasi. Sebaliknya, solusi dimana semua variable basis bernilai positif dikatakan non
degenerate. Degenerasi muncul jika model memiliki sekuranng-kurangnya sebuah
kendala berlebih.
Degenerasi memiliki dua pengaruh. Pertama berkaitan dengan peristiwa cycling
artinya tak terjadi perbaikan nilai solusi meskipun iterasi terus dilakukan. Kedua, dalam
iterasi 1 dan 2, meskipun klarifikasi variable basis non-basis berbeda, mereka
menghasilkan nilai fungsi tujuan sama.
2.4 Penafsiran Tabel Simpleks
Sekarang, adalah salah jika beranggapan bahwa seseorang dapat menafsirkan hasil computer
tanpa punya pengetahuan memadai tentang bagaimana dan mengapa metode simpleks
bekerja. Tabel simpleks optimum bukan sekedar suatu daftar variable dan nilai optimumnya,
tetapi dipenuhi dengan informasi termasuk nilai optimum variable-variable. Informasi yang
diperoleh baik secara langsung maupun tambahan perhitungan sederhana adalah:
a. Solusi optimum
b. Keadaan sumber daya
c. Sumbangan per unit sumber daya
d. Kepekaan solusi optimum terhadap perubahan tersediannya sumber daya , koefisien
fungsi tujuan, dan konsumsi sumber daya oleh setiap kegiatan.
2.5 Solusi Komputer
Bentuk table simpleks mempunyai banyak variasi, meski angka pada table itu sama. Ada
sebuah konsep yang muncul pada cetakan computer, yaitu reduced cost. Maksudnya adalah
memburuknya nilai solusi optimum jika variable yang bersangkutan menjadi bagian dari
solusi menggantikan variable basis yang ada. Berarti reduced cost variable basis akan
bernilai nol dan variable non basis nilai reduced cost-nya tidak sama dengan nol.

18
19
20
21
 BAB III
Dualitas dan Analisis Sensitivitas
3.1 Teori Dualitas
Istilah dualitas menunjuk pada kenyataan bahwa setiap LP terdiri atas dua bentuk, Primal dan
Dual. Jadi, jika suatu LP diselesaikan dengan metode simpleks, sesungguhnya diperoleh
penyelesaian untuk dua masalah LP.
Bila masalah primal dibandingkan dengan masalah dual, terlihat beberapa hubungan
seperti berikut:
1. Koefisien fungsi tujuan masalah primal menjadi konstan sisi kanan masalah dual. Jika
sebaliknya, maka menjadi fungsi tujuan dual.
2. Tanda pertidaksamaan kendala balik.
3. Tujuan diubah dari minimisasi (maksimisasi) primal menjadi maksimisasi (minimisasi)
dual.
4. Setiap kolam primal berhubungan dengan suatu baris (kendala) dalam dual.
5. Setiap baris (kendala) primal berhubungan dengan suatu kolom dalam dual.
6. Bentuk dual dari dual adalah bentuk primal.

a. Masalah Primal-Dual Simetrik

Aturan umum menuliskan bentuk dual dari suatu LP yang simetrik diringkasi sebagai berikut:
1. Misal sebuah variable dual (non negative) untuk setiap kendala primal.
2. Vektor baris koefisien fungsi tujuan primal diubah menjadi vector kolom konstan ssi
kanan dual.
3. Vektor kolom sisi kanan primal menjadi vector baris koefisien fungsi tujuan dual.
4. Transpose koefisien kendala primal menjadi koefisien matriks kendala dual.
5. Balik arah pertidaksamaan kendala.
6. Balik arah optimisasi, ubah minimum menjadi maksimum dan sebaliknya.

1) Teori 1 (weak duality theorem)

Dari Weak duality theorem diperoleh hasil sebagai berikut:
a) Nilai fungsi tujuan masalah maksimisasi (primal) untuk setiap solusi layak adalah
batas bawah dari nilai minimum fungsi tujuan masalah dual,
b) Nilai fungsi tujuan masalah minimisasi (dual) untuk setiap solusi layak adalah batas
atas dari nilai maksimum fungsi tujuan masalah primal,
c) Jika masalah primal adalah layak dan nilai tujuannya tak terbatas, maka masalah
dualnya tidak memiliki suatu solusi layak, atau
d) Jika masalah primal adalah layak dan dual tak layak, maka primal tak terbatas,

22
 e) Jika masalah dual adalah layak dan tak terbatas, maka masalah primal adalah tak layak
atau
f) Jika masalah dual adalah layak dan primal tak layak, maka dual adalah tak terbatas.
2) Teori 2 (Optimality criterion theorem)
Jika terdapat solusi layak X◦ dan Y◦ pada bentuk primal dual simetrik demikian hingga
nilai-nilai fungsi tujuan yang berhubungan adalah sama, maka solusi layak ini adalah
solusi optimum terhadap masalah tersebut.
3) Teori 3 (main duality theorem)
Jika masalah primal maupun dual adalah layak, maka keduanya memiliki solusi demikian
hingga optimum fungsi tujuannya adalah sama.
4) Teori 4 (complementary slackness theorem)
Kondisi complementary slackness dapat dinyatakan dengan:
a) Jika suatu variable primal X3◦ bernilai positif, maka kendala dual yang berhubungan
akan dipenuhi sebagai suatu ersamaan pada keadaan optimum,
b) Jika suatu kendala primal berupa pertidaksamaan murni pada keadaan optimum maka
variable dual yang berhubungan Yi◦ harus sama dengan nol pada keadaan optimum,
c) Jika suatu variable dual Y1◦ bernilai positif, maka kendala primal yang berhubungan
akan memenuhi sebagai suatu persamaan pada keadaan optimum.
d) Jika suatu kendala dual berupa pertidaksamaan murni, maka variable primal yang
berhubungan X1◦ harus sama dengan nol pada keadaan optimum.

b. Masalah Primal-Dual Asimetrik

Bila bentuk dual dibandingkan dengan bentuk primal yang belum disimetrikkan, maka
terlihat bahwa tak ada ciri-ciri hubungan primal dual. Koefisien matriks kendala dual
bukan transpose dari kendala primal, vector sisi kanan primal bukan merupakan koefisien
fungsi tujuan dual dan sebaliknya.
Bila bentuk dual yang telah dimodifikasikan dibandingkan dengan bentuk primal yang
belum disimetrikkan, terlihat bahwa semua ciri penting hubungan primal dual dipenuhi,
kecuali arah pertidaksamaan kendala, dan tanda pembatas variable. Sehingga untuk setiap
LP (simetris atau tak simetris) bentuk dual selalu memenuhi ciri-ciri berikut:
1) Elemen matriks kendala bentuk dual adalah transpose elemen kendala primal,
2) Koefisien fungsi tujuan dual adalah vector sisi kanan primal,
3) Vector sisi kanan dual adalah koefisien fungsi tujuan primal,
4) Jika primal adalah masalah maksimisasi, maka dual menjadi minimisasi dan
sebaliknya.

c. Mencari Solusi Optimum Bentuk Dual

Main Duality Theorem menyatakan bahwa suatu solusi optimum terhadap bentuk dual
dapat diperoleh melalui solusi primal dan sebaliknya. Ringkasnya adalah suatu solusi

23
 optimum primal (dual) juga merupakan solusi optimum masalah dual (primal). Disamping
kedua cara yang telah dibicarakan, solusi optimum dual dapat dihitung dengan
menggunakan teori complementary slackness.

d. Penafsiran Solusi Dual

Dari segi ekonomi, solusi optimum bentuk dual dapat ditafsirkan sebagai sumbangan per
unit kendala sumber daya (shadow price). Berdasarkan Main Duality Theorem nilai
optimum fungsi tujuan primal dan dual adalah sama. Jika X◦ dan Y◦ adalah solusi
optimumnya, maka Z = cX◦ = Y◦ b = W. Dengan kata lain, nilai optimum program linier
(primal atau dual) dituliskan sebagai:

Z = Y1◦b2 + Y2◦b2 + … + Ym◦bm

Perubahan neto nilai optimum karena kenaikan jumlah sumber daya dinamakan
shadow price sumber daya yang bersangkutan.

e. Keuntungan Perhitungan Bentuk Dual

Karena solusi satu masalah selalu dapat diperoleh dari solusi bentuk dualnya, maka tidak
perlu merumuskan kedua bentuk. Namun, tak dapat dikatakan bahwa satu jenis masalah
adalah lebih mudah untuk diselesaikan disbanding yang lain tanpa meneliti struktur
masalahnya. Sehingga jika suatu masalah demikian hingga bentuk primalnya, memiliki
sejumlah besar kendala sementara variable nya sedikit, masalah tersebut dapat diselesaikan
dengan lebih efisien jika bentuknya duel.
3.2 Metode Dual Simpleks
Dalam kaitan ini, artificial variable terkadang digunakan untuk menemukan solusi awal layak.
Prosedur kali ini dinamakan dual simpleks algoritma yang pertama kali disusun oleh Lemke.
Algoritma ini tidak banyak digunakan di antara program-program computer yang ada.
Seperti dalam metode simpleks, metode ini didasarkan pada optimality and feasibility
condition. Ini menjamin bahwa solusi selalu optimum dan memaksa solusi dasar mencapai
ruang layak.
3.3 Analisis Sensitivitas
Analisis perubahan parameter dan pengaruhnya terhadap solusi LP dinamakan post optimality
analysis. Istilah ini menunjukan bahwa analisis ini terjadi setelah diperoleh solusi optimum,
dengan mengasumsikan seperangkat nilai parameter yang digunakan model.
Perubahan atau variasi dalam suatu masalah LP yang biasanya dipelajari melalui post
optimality dapat dipisahkan dalam tiga kelompok umum:
a) Analisis berkaitan dengan perubahan diskrit parameter untuk melihat besar perubahan
dapat ditolerir sebelum solusi optimum mulai optimalitasnya, analisis sensitivitas.
b) Analisis yang berkaitan dengan perubahan structural.

24
 c) Analisis yang berkaitan dengan perubahan kontinu parameter untuk menentukan urutan
solusi dasar yang menjadi optimum jika perubahan ditambah lebih jauh, Parametic
Programming.
Melalui Analisa sensitivitas dapat dievaluasi pengaruh perubahan parameter dengan
sedikit tambahan perhitungan berdasarkan table simpleks optimum. Dalam membicarakan
analisis sensitivitas, perubahan parameter dikelompokkan menjadi:
a) Perubahan koefisien fungsi tujuan,
b) Perubahan konstan sisi kanan,
c) Perubahan kendala atau koefisien matriks A,
d) Penambahan variable baru,
e) Penambahan kendala baru.

BAB IV
Integer Programming
4.1. Pendekatan Pembulatan
Pendekatan yang sederhana dan praktis untuk menyelesaikan masalah integer programming
adalah dengan membulatkan nilai variable keputusan yang diperoleh LP. Pendekatan ini
mudah dan praktis dalam usaha, waktu, dan biaya yang diperlukan untuk memperoleh suatu
solusi. Pendekatan pembulatan menjadi cara yang efektif untuk masalah integer programming
dimana biaya perhitungan sangat tinggi atau untuk masalah nilai-nilai solusi variable
keputusan sangat besar.
4.2. Metode Grafik
Integer Programming melibatkan hanya dua variable yang dapat diselesaikan secara grafik.
Pendekatan ini identic dengan metode grafik LP dalam semua aspek kecuali solusi optimum
harus memenuhi persyaratan bilangan bulat. Mungkin pendekatan yang termudah untuk
menyelesaikan masalah integer programming dua dimensi adalah dengan menggunakan kertas
grafik dan menggambarkan sekumpulan titik-titik integer dalam ruang solusi layak.
4.3. Metode Gomory (Cutting Plane Alghorithm)
Suatu prosedur sistematik untuk memperoleh solusi integer optimum terhadap pure integer
programming, pertama kali dikemukakan oleh R.E. Gomory pada 1958. Ia kemudian
memperluas prosedur ini untuk menangani kasus yang lebih serius, yaitu mixed integer
programming.
Langkah-langkah prosedur Gomory diringkas menjadi seperti berikut:
a. Selesaikan masalah integer programming dengan menggunakan metode simpleks. Jika
masalah sederhana, ia dapat diselesaikan dengan metode grafik.
b. Periksa solusi optimum. Jika variable basis memiliki nilai integer, solusi optimum integer
telah diperoleh dan proses solusi berakhir.

c. Buatlah suatu kendala Gomory (suatu bidang pemotong atau cutting plane) dan cari solusi
optimum melalui prosedur dual simplex.

25
 Jika diperoleh solusi primal optimum tetapi tidak layak maka digunakan metode dual
simplex. Proses pembentukan kendala Gomory berakhir jika solusi baru semua berbentuk
bilangan bulat. Banyaknya kendala pada, masalah baru tidak dapat melebihi banyaknya
variable pada masalah awal yaitu m+n. Karena, jika masalah baru memiliki lebih dari m+n
kendala, satu atau lebih variable slack Gomory yang berhubungan dengan kendala. Gomory
akan menjadi basis.
4.4. Metode Branch and Bound
Metode Branch and Bound telah menjadi kode computer standar untuk integer programming,
dan penerapan dalam praktik tampaknya menyarankan bahwa metode ini lebih efisien
dibandingkan pendekatan Gomory. Teknik ini dapat diterapkan baik untuk masalah pure
maupun mixed integer programming.
Langkah-langkah metode Branch dan Bound untuk masalah maksimisasi diringkas
menjadi:
a) Selesaikan masalah LP dengan metode simpleks biasa tanpa pembatasan bilangan bulat.
b) Teliti solusi optimumnya. Jika variable basis yang diharapkan bulat adalah bulat, solusi
optimum bulat telah tercapai.
c) Nilai solusi pecah yang layak dicabangkan kedalam sub-sub masalah. Tujuannya untuk
menghilangkan solusi kontinu yang tidak memenuhi persyaratan bulat dari masalah.
d) Setiap sub masalah, nilai solusi optimum kontinu fungsi tujuan ditetapkan ≤ sebagai batas
atas. Solusi bulat terbaik menjadi batas bawah. Sub-sub masalah yang memiliki batas atas
kurang dari batas bawah yang ada tak diikutsertakan pada analisis selanjutnya. Suatu
solusi bulat layak adalah sama baik atau lebih baik dari batas atas untuk setiap sub
masalah yang dicari. Jika solusi demikian, sub masalah dengan batas atas terbaik dipilih
untuk dicabangkan.
4.5. Zero-One Integer Programming
Analisis terkadang dihadapkan pada pilihan yang sangat terbatas. Misal tidak atau ya, tolak
atau terima. Maka dari itu, dengan menetapkan variablenya punya dua kemungkinan, yaitu
nilai 0 untuk tidak dan 1 jika ya.
Penyusunan model dan penyelesaian masalah seperti itu dinamakan Zero One Integer
Programming yang dapat diikuti sebagai berikut.
Misalkan seorang investor asing ini memperluas usahanya di Jakarta dan Surabaya
dengan membangun pabrik dan atau Gudang. Namun, ia menghadapi keterbatasan dana, yaitu
hanya tersedia Rp10 Miliar. Karena itu paling banyak ia akan membangun sebuah Gudang
untuk kedua kota.
Jenis Investasi Biaya Penerimaan
Pabrik Jakarta 6 9
Gudang Jakarta 5 6
Pabrik Surabaya 3 5
Gudang Surabaya 2 4

Model masalah ini dirumuskan dengan variable keputusan:

26
 X1 = Pembangunan pabrik di Jakarta
X2 = Pembangunan gudang di Jakarta
X3 = Pembangunan pabrik di Surabaya
X4 = Pembangunan gudang di Surabaya
Dengan ketentuan 0 jika tidak, dan 1 jika ya.
Tujuan:
Maksimumkan penerimaan Z = 9X1 + 6X2 + 5X3 + 4X4
Kendala:
6X1 + 5X2 + 3X3 + 2X4 ≤ 10
X1 ≥ X2 atau X1 – X2 ≥ 10
X3 ≥ X4 atau X3 – X4 ≥ 0
X2 + X4 ≤ 1
X1, X2, X3, X4 = 0 ATAU 1

Model ini diselesaikan dengan metode Branch dan Bound dengan menambahkan
empat kendala untuk menggantikan kendala X1, X2, X3, X4 = 0 atau 1.
Keempat kendala itu adalah:
X1 ≤ 1, X2 ≤ 1, X3 ≤ 1, X4 ≤ 1.
Cara lain untuk menyelesaikan masalah ini adalah dengan complete enumeration.
Dimana solusi yang tak memenuhi diabaikan dan solusi yang memenuhi dievalusi untuk
dipilih yang terbaik.

27
 BAB V
Model Transportasi
5.1 Definisi dan Aplikasi Model Transportasi
Umumnya, masalah transportasi berhubungan dengan distribusi suatu produk tunggal dari
beberapa sumber, dengan penawaran terbatas, menuju beberapa tujuan, dengan permintaan
tertentu. Asumsi dasar model ini adalah bahwa biaya transport pada suatu rute tertentu
proposional dengan banyak unit yang dikirim. Definisi unit yang dikirimkan tergantung pada
jenis produk yang diangkut.
5.2 Solusi Awal

Pada bentuk umum masalah transportasi, m kendala penawaran dan n kendala permintaan,
keseluruhannya terdapat m + n kendala. Dalam suatu masalah LP banyaknya variable basis
sama dengan banyaknya kendala. Namun, masalah transportasi, terdapat sebuah kendala yang
m n
berlebih (redundant). Kondisi keseimbangan∑ S j=∑ D j memberikan kenyataan bahwa jika
j=1 j=0
m + n – 1 kendala terpenuhi kemudian m + n persamaan juga akan terpenuhi. Hanya terdapat
m + n – 1 persamaan independent. Sehingga solusi awal hanya memiliki m + n – 1 variable
basis.

Beberapa cara mencari solusi layak dasar awal, yaitu: North West Corner, Least Cost, and
Aproksimasi Vogel.

a. Metode North-West Corner

Metode ini adalah metode paling sederhana, Langkah-langkahnya diringkas sebagai berikut:

1) Mulai pada pojok barat laut table dan alokasikan sebanyak mungkin pada X11 tanpa
menyimpang dari kendala penawaran atau permintaan.

2) Akibat menghabiskan penawaran pada sumber 1 dan atau permintaan pada tujuan 1, tak
ada lagi barang yang dapat dialokasikan ke kolom atau baris yang telah dihabiskan dan
kemudian baris atau kolom itu dihilangkan. Kemudian alokasikan sebanyak mungkin ke
kotak didekatnya pada baris atau kolom yang tak dihitungkan. Jika kolom maupun baris
telah habis, pindahlah secara diagonal ke kotak berikutnya.

3) Lanjutkan dengan cara yang sama sampai semua penawaran telah dihabiskan dan
keperluan permintaan telah dipenuhi.

b. Metode Least-Cost

Metode least-cost berusaha mencapai tujuan minimisasi biaya dengan alokasi sistematik
kepada kotak sesuai dengan besarnya biaya transport per unit. Prosedunya adalah:

28
 1) Pilih variable Xij (kotak) dengan biaya tranpor (Cij) terkecil dan alokasikan sebanyak
mungkin. Cij terkecil, Xij = minimum (Si, Dj). Ini akan menghabiskan baris i atau kolom j.
2) Dari kotak-kotak sisanya yang layak, pilih nilai cij terkecil dan alokasikan sebanyaknya.
3) Lanjutkan proses ini sampai penawaran dan permintaan terpenuhi.
Pada umumnya, metode Least-Cost memberikan solusi awal lebih baik (biaya lebih rendah),
karena metode ini menggunakan biaya per unit sebagai kriteria alokasi sementara metode
sebelumnya tidak.
c. Metode Aprokdimsdi Vogel (VAM)
VAM selalu memberikan solusi awal yang lebih baik dibanding metode sebelumnya.
Kenyataannya, pada beberapa kasus, solusi awal yang diperolah pada VAM akan menjadi
optimum. Prosesnya diringkas menjadi berikut:
1) Hitung opportunity cost untuk setiap baris dan kolom. Biaya-biaya ini adalah penalty
karena tidak memilih kotak dengan biaya minimum.
2) Pilih baris atau kolom dengan opportunity cost terbesar. Artinya, penalty besar dihindari.
3) Sesuaikan penawaran dan permintaan untuk menunjukkan alokasi yang sudah dilakukan.
Hilangkan semua baris dan kolom dimana penawaran dan perintaan telah dihabiskan.
4) Jika semua penawaran dan permintaan belum dipenuhi, Kembali ke Langkah 1 dan hitung
lagi opportunity cost yang baru. Jika sudah, maka solusi awal telah diperoleh.
5.3 Solusi Optimum
Mencari solusi optimum dapat dilakukan dengan dua metode:
a) Metode Stepping Stone
Langkah berikutnya adalah menekan kebawah biaya transport dengan memasukan variable
non basis kedalam solusi. Proses evaluasi variable non basis yang memungkinkan terjadinya
perbaikan solusi dan kemudian mengalokasikan kembali dinamakan metode stepping stone.
Beberapa hal penting perlu disebutkan dalam kaitannya dengan penyusunan jalur stepping
stone.
1) Arah yang diambil, baik searah maupun berlawanan arah dengan jarum jam adalah tidak
penting dalam membuat jalur tertutup.
2) Hanya ada satu jalur tertutup untuk setiap kotak kosong.
3) Jalur harus mengikuti kotak terisi, kecuali pada kotak kosong yang sedang dievaluasi.
4) Namun, baik kotak terisi maupun kotak kosong dapat dilewati dalam penyusunan jalur
tertutup.
5) Suatu jalur dapat melintasi dirinya.
6) Sebuah penambahan dan sebuah pengurangan yang sama besar harus kelihatan pada
setiap baris dan kolom jalur itu.
Tujuan dari jalur ini adalah mempertahankan kendala penawaran dan permintaan sambil
dilakukan alokasi ulang barang ke suatu kotak kosong.
b) Metode Modified Distribution

29
 Solusi menggunakan metode ini adalah suatu variasi metode stepping stone yang didasarkan
dengan rumusan dual. Berbeda dengan metode sebelumnya dalam hal MODI tidak perlu
menentukan semua jalur tertutup variable non basis.

c) Solusi computer
Software AB:QM dapat memberikan intial solution masalah transportasi dengan tiga metode
yang tersedia, sementara mencari solusi optimal, software ini menggunakan MODI. Output
dari software ini tidak menunjukan proses iterasi. Keunggulan car aini adalah mampu
melakukan analisis sensitivitas.
d) Masalah Tranportasi Tak Seimbang
Pada umunya, kebanyakan masalah adalah tak setimbang dimana penawaran lebih besar
daripada permintaan atau sebaliknya. Pengaruhnya, suatu sumber khayalan telah ditambahkan
hingga menyeimbangi penawaran dan permintaan. Penambahan khayal tidak mempengaruhi
metode untuk mendapatkan solusi aawal maupun metode menentukan solusi optimum dengan
metode stepping stone dan MODI. Metode North-West Corner dalam kasus ini juga tidak
mengalami perubahan. Dalam methode Least-Cost, kotak dummy dengan nilai Cij sama
dengan nol merupakan nilai-nilai kembar biaya terkecil, sehingga salah satu dari kotak itu
dipilih secara sembarang, setelah alokasi dilakukan, kelebihannya dialokasikan. Dalam
metode VAM, nilai Cij dummy digunakan sebagai biaya kolom terendah ketika dilakukan
perhitungan opportunity cost. Dalam metode stepping stone dan MODI, kotak-kotak dummy
diperlakukan seperti kotak-kotak lainnya.
e) Solusi Optimum Ganda
Solusi optimum unik terhadap suatu masalah transportasi terjadi jika perubahan biaya, C ij,
untuk semua varible non basis adalah positif. Namun, jika suatu variable non basis memiliki
perubahan biaya sama dengan nol (Cij = 0), maka terjadi solusi optimum ganda. Artinya,
biaya transport tetap sama tetapi terdapat suatu kombinasi alokasi yang berbeda.
f) Rute Terlarang
Dalam praktik sering ditemukan masalah dimana tidak mungkin mengangkut barang melalui
rute tertentu. Suatu masalah transport dengan rute-rute terlarang dapat ditunjukkan dengan
menetapkan suatu nilai Cij yang besar, M, kepada Xij yang dilarang. Proses solusinya
dijalankan dengan memperlakukan nilai M seperti nilai Cij lainnya. Jika variable Cij = M
akhirnya akan dikeluarkan dari solusi. Hasil yang sama diperoleh dengan menutup kotak
terlarang dan mengabaikannya dalam proses solusi.
5.4 Masalah Pemindahan
Suatu Perluasan dari rumusan transportasi adalah masalah pemindahan, dimana setiap sumber
dan tujuan dapat menjadi titik perantara pengiriman dari sumber. Masalah pemindahan dapat
diselesaikan dengan beberapa penyesuaian kecil terhadap metode solusi masalah transportasi.
Penawaran dan permintaan untuk baris-baris dan kolom-kolom baru harus
menunjukan kenyataan bahwa setiap sumber dan tujuan sekarang sama dengan semua yang
ditawarkan dan yang diminta. Sehingga, penawaran dan permintaan dapat ditingkatkan
dengan suatu jumlah yang sekurang-kurangnya sama besar dengan jumlah permintaan yang

30
 juga sama dengan penawaran. Dalam penafsiran solusi optimum, semua nilai-nilai pada kotak
diagonal dapat diabaikan karena mereka tak berarti.

BAB VI
Multi-Stage (Dynamic) Programming
6.1 Ciri-Ciri Masalah Dynamic Programming
Dynamic programming adalah suatu pendekatan matematika tentang optimisasi proses
banyak tahap. Ciri-ciri dasar suatu masalah dynamic programming adalah:
a. Dalam masalah dynamic programming, keputusan tentang suatu masalah ditandai dengan
optimisasi pada tahap berikutnya. Bukan keserentakan. Ini berarti, jika suatu masalah
akan diselesaikan dengan dynamic programming, ia harus dipisahkan menjadi n sub
problem.
b. Dynamic programming berkaitan dengan masalah masalah dimana pilihan atau
keputusan dibuat pada masing masing tahap. Seluruh kemungkinan pilihan dicerminkan,
diatur atau keduanya, oleh system status atau state pada setiap tahap.
c. Berkaitan dengan setiap keputusan pada setiap tahap adalah return function yang
mengevaluasi pilihan yang dibuat dalam arti sumbangan yang diberikan kepada tujuan
keseluruhan (maksimisasi atau minimisasi).
d. Pada setiap tahap proses keputusan dihubungkan dengan tahap yang berdekatan melalui
fungsi transisi. Fungsi ini dapat berupa kuantitas yang diskrit maupun kontinu tergantung
pada sifat-sifat masalah.
e. Suatu hubungan rekursif digunakan untuk menghubungkan kebijaksanaan optimum pada
tahap n dengan n – 1. Ada dua macam prosedur rekursif yaitu foreward dan backward.
Hubungan itu adalah:
Foreward recursive equation (perhitungan dari depan ke belakang)
F 0 ( X 0 )=0
F ¿j ( X j )=opt { R j ( k j ) @ f ¿j −1 ( X j @ k j ) }
Backward recursive equation (perhitungan dari belakang ke depan)
F n ( Y n) =0
F ¿j ( Y j ) =opt {R j ( k j ) @ f ¿j−1 ( Y j @ k j ) }
Keterangan:

a) f*(X) atau f* (Y) = optimum return function

b) X atau Y = state
c) X @ k atau Y @ k = fungsi transisi
d) J = tahap ke
e) K = variable keputusan

31
 Perbedaan pokok antara metode foreward atau backward terletak dalam cara mendefiniskan
state. Simbol @ menyatakan hubungan matematika antara Xj atau Yj dengan Kj, misalkan
tambah, kurang, kali, atau akar, dan lain-lain.
f. Dengan menggunakan hubungan rekursif ini, prosedur penyelesaian bergerak dari tahap
ke tahap sampai kebijaksanaan optimum tahap terakhir ditemukan.
6.2 Dynamic Programming
Tidak seperti LP, dalam masalah dynamic programming taka da formulasi matematika baku.
Pada umumnya, persamaan rekursif melibatkan dua jenis perhitungan, sesuai dengan
sistemnya apakah kontinu atau diskrit.
Shortest route problem menyangkut penentuan jalan penghubung dari sebuah titik asal ke
beberapa tujuan agar jumlah jarak (waktu/biaya) tempuh rendah. Jika titik tujuan hanya satu,
dinamakan juga stagecoach problem. Beberapa methode untuk menyelesaikan masalah ini,
seperti acyclic dan cyclic algorithm. Masalah ini juga dapat dilihat sebagai model
transhipment. Ia juga dapat dirumuskan dalam model LP.

32
 BAB VII
Program Nonlinier
7.1 Ketidaklinieran Dalam Ekonomi
Ketidaklinieran dalam ekonomi dapat terjadi lewat berbagai bentuk. Misalnya pada masalah
struktur biaya. Biaya total produksi meningkat jika output bertambah. Namun, peningkatan
biaya total proporsional dengan peningkatan produksi atau dengan kata lain biaya bukan
merupakan fungsi linier dari kuantitas produksi karena, pembelian input dalam jumlah lebih
banyak dapat meningkatkan harga input, bertambahnya ukuran unit usaha dapat memberikan
economies of scale kalua bukan diseconomies of scale, limbah industry yang berlebihan
dapat menimbulkan external diseconomies. Semua factor ini dapat menyebabkan
perlambatan dan percepatan perubahan biaya total, sehingga biaya total bukan lagi fungsi
linier dari jumlah output.
7.2 Matriks dan Hubungannya dengan Optimisasi
A. Matriks Hessian
Misalkan terdapat sebuah fungsi n variable f (X1, X2, …, Xn) kemudian dibuat matriks yang
merupakan turunan parsial kedua dari fungsi tersebut disusun seperti berikut:

Ax A y Az

|
( H ) Bx By Bz
Cx C y Cz |
Matriks H dinamakan matriks Hessian.
Jika terdapat suatu matriks berukuran (n × n), maka principal minor ke k (k ≤ n) adalah suatu
sub matriks dengan ukuran (k × k ) yang diperoleh dengan menghapus (n – k) baris dan kolom
yang bersesuaian dari matriks tersebut.
Determinan dari suatu principal minor dinamakan principal determinant. Untuk suatu
matriks bujur sangkar (n × n), terdapat 2n-i principal determinant.
Leading principal minor ke-k dari suatu matriks (n × n) diperoleh dengan menghapus
(n−k ) baris terakhir dan kolom yang bersesuaian. Banyaknya leading principal determinant
dari suatu matriks (n × n) adalah n.
Ketentuan uji bagi matriks positive definite adalah:
1) Semua elemen diagonal harus positif.
2) Semua leading principal determinant harus positif.
Ketentuan uji bagi matriks positive semidefinite adalah:
1) Semua elemen diagonal itu negative.
2) Semua leading principal determinant non negative.
Untuk membuktikannya, suatu uji cukup menjadi indefinite adalah bahwa sekurang-
kurangnya dua elemen diagonal memiliki tanda berlawanan.
B. Fungsi Cembung dan Cekung

33
 Suatu fungsi n variable f(x), dimana X = (X1, X2, …, Xn) dikatakan sebagai suatu fungsi
cembung jika dan hanya jika dua titik Xa dan Xb dengan 0 ≤ α ≤ 1, berlaku:
f [ α X a + ( 1−α ) Xb ] ≤ αf ( X a )+ ( 1−α ) f (X b)

Semua fungsi f (X ) adalah suatu fungsi cekung jika dan hanya jika −f ( X ) adalah
suatu fungsi cembung. Suatu fungsi f adalah fungsi cembung jika matriks Hessian dari fungsi
f adalah positif atau semidefinite positif. Begitu pun sebaliknya, fungsi f cekung jika matriks
Hessian dari fungsi f adalah definit negative atau semidefinite negative.
Secara geometris berarti bahwa jika suatu fungsi adalah cembung (cekung) dan jika
suatu garis ditarik antara setiap dua titik pada permukaan fungsi, garis yang menghubungkan
titik ini seluruhnya terletak di atas (bawah) fungsi itu.

Fungsi
Fungsi
yang
yang
TakCekung
Cekung
Fungsi dan
Y-ValuesdanCembung
Cekung Tak Cembung
Fungsi Cembung Diskontinu

Fungsi Cekung Monotonis

Dari beberapa kurva diatas dapat dibuat beberapa kesimpulan penting yaitu:

34
 1) Definisi suatu fungsi cembung (cekung) tidak tergantung apakah suatu fungsi kontinu
atau diskontinu,
2) Suatu fungsi dapat cekung pada suatu daerah dan cembung pada wilayah lain,
3) Suatu fungsi linier adalah cembung maupun cekung.

C. Set Cembung
Fungsi cembung dan set cembung adalah dua konsep yang berbeda karena itu jangan
dikacaukan. Dalam ruang berdimensi 4 atau lebih, interpretasi geometri menjadi sulit karena
itu diperlukan definisi set cembung secara aljabar. Untuk tujuan ini diperlukan pengertian
konsep convex combination of vectors, yang merupakan suatu jenis khusus dari linear
combination.
7.3 Optimisasi tanpa Kendala
Teori optimisasi klasik menggunakan kalkulus derivative untuk menentukan titik ekstrem
baik untuk fungsi yang tanpa kendala maupun dengan kendala persamaan. Secara
matematika, suatu titik X0 = (X1, X2, … Xn) adalah maksimum jika:
f (X 0 + D)<f ( X 0 )

Untuk semua D = (d1, d2, … dn) dimana cukup kecil untuk semua j. Dengan cara yang sama,
X0 adalah minimum (untuk D yang didefinisikan seperti sebelumnya) jika:
f (X 0 + D)<f ( X 0 )

11
Nilai Ekstrem Suatu Fungsi Variable Tunggal
10
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7

Gambar diatas memperagakan titik maksima dan minima suatu fungsi variable
tunggal f dalam interval [ a , b ]. Interval a ≤ x ≤ b tidak berarti menunjukkan pembatas f. Titik
X1, X2, X3, X4, dan X6 semuanya adalah nilai ekstrem dari f(x).
Pada umumnya X0 adalah maksimum lemah jika f (X0 + D) ≤ f(X0) dan maksimum
kuat, jika f (X0 + D) < f (X5), dimana D didefinisikan seperti sebelumnya. Pengamatan
tentang titik ekstrem yang menarik adalah bahwa turunan pertama dari f sama dengan nol
pada titik-titik ini. Dengan Teori Taylor dapat dibuktikan bahwa:

35
 a) Suatu syarat perlu bagi X0 menjadi suatu titik ekstrem dari f(x) adalah bahwa gradient
vector-nya atau ∇ f ( X 0 ) =0, titik yang diperoleh dari persamaan ini dinamakan titik
stationer.
b) Suatu syarat cukup untuk suatu titik stationer X0 menjadi ekstrem adalah dengan
mengevaluasikan matriks Hessian, H, pada X0, seperti yang telah ditunjukkan oleh
Endelbaum berikut:
1) Suatu titik stationer menjadi suatu nilai minimum adalah cukup jika leading
principal determinant H1, H2, …, Hn semuanya positif.
2) Suatu titik stationer menjadi suatu nilai maksimum, adalah cukup jika semua
leading principal determinant genap adalah positif dan semua leading principal
determinant ganjil adalah negative.
7.4 Optimisasi dengan Kendala Persamaan
Kendala itu dapat berbentuk persamaan atau ketidaksamaan. Teknik matematika Lagrange
multiplier telah dikembangkan untuk mengatasi masalah optimasi dengan kendala persamaan
dalam suatu bentuk demikian hingga syarat perlu bagi masalah optimisasi tanpa kendala
masih dapat diterapkan.
Meskipun telah diperoleh suatu titik stationer, namun tak ada jaminan bahwa vector solusi
ini adalah satu-satunya yang dicari. Kenyataanya, setiap vector solusi yang diperoleh dengan
Teknik optimasi ini dapat berupa suatu nilai maksimum, minimum, atau titik belok.
7.5 Pembedaan Program Linier dengan Nonlinier.
Metode ini berlaku karena setiap masalah program linier berlaku syarat berikut:
(1) Solusi layak merupakan set cembung dengan jumlah titik pojok (ekstrem) terbatas,
(2) Jika fungsi terbatas, nilai optimumnya akan terjadi pada salah satu titik pojok dari ruang
solusi, mungkin pada lebih dari satu titik pojok,
(3) Suatu optimum local adalah juga optimum global dari fungsi tujuan.
Dalam program nonlinier, beberapa atau semua hal diatas mungkin tidak berlaku.
7.6 Masalah Optimisasi Kendala Pertidaksamaan (Program Nonlinier)
Pada tahun 1951, Khun dan Tacker telah memperluas teori untuk menyelesaikan masalah
program nonlinier umum baik dengan kendala persamaan maupun pertidaksamaan.
a) Syarat Perlu Kuhn-Tucker
Syarat yang dibicarakan disini bertujuan mengidentifikasi titik stasioner dari suatu masalah
nonlinier dengan kendala pertidaksamaan. Dalam batas tertentu syarat-syarat ini juga
merupakan syarat cukup. Suatu syarat perlu untuk optimasi adalah bahwa γ non negative
(non positif) untuk semua masalah maksimisasi (miniminasi). Pembatasan γ yang diberikan
pada kendala tertentu harus dipenuhi sebagai syarat dari Khu-Tucker. Pembatasan γ itu
disebut juga sebagai constraint qualification, yaitu kondisi tidak teratur dalam ruang solusi
terutama pada titik stasioner.
Dengan mengambil turunan parsial (terhadap X, S, dan A) diperoleh:
L x =∇ f ( X )−λ ∇ g ( X )=0

36
 Lsi =−2 λ L Si=0 ,i=1,2 , … , m

Lλ=−[ g ( X ) + S2i ]=0

Persamaan kedua menyatakan:

1) Jika λ i lebih besar dari nol, S2i =0. Ini berarti bahwa sumber daya yang bersangkutan
adalah langka, dan konsekuensinya ia dihabiskan seluruhnya (kendala persamaan).
2) Jika S2i 0 , λ=0. Ini berarti sumber daya yang ke λ i tidak langka dan konsekuensinya ia
tidak memengaruhi nilai fungsi tujuan (( λ i=∂ f ∂ gi=0).
Syarat perlu Kuhn Tucker untuk X dan untuk menjadi titik stasioner dari masalah
maksimisasi dapat diringkas menjadi:
λ≥0
∇ f ( X ) −∇ g ( X )=0
λg ( X )=0 , i=1 ,2 , … , m.
Syarat-syarat ini berlaku untuk kasus minimisasi, kecuali bahwa A harus non positif.
Dalam maksimisasi maupun minimisasi, lagrange multiplier yang berhubungan dengan
kendala-kendala persamaan harus tak terbatas.
b) Syarat Cukup Kuhn-Tucker
Syarat yang diperlukan
Jenis Optimisasi
Fungsi Tujuan Ruang Solusi
Maksimisasi Cekung Set Cembung
Minimisasi Cembung Set Cembung

Syarat perlu Kuhn-Tucker sulit untuk menemukan secara eksplisit solusinya. Ini berarti
prosedur itu juga tidak efisien untuk perhitungan numerik. Namun, teori ini mampu
mengidentifikasi karakter solusi masalah umum program nonlinier, apakah ia optimum
global atau hanya local.
Bila variable dalam bidang ekonomi berhubungan dengan pola nonlinier, maka
program nonlinier akan lebih tepat untuk mengekspresikan persoalan itu disbanding program
linier. Tidak seperti algoritma simplex dalam program linier, dalam program nonlinier belum
ditemukan suatu algoritma yang efisien untuk seluruh masalah ini yang begitu luas.
Teori dasar program nonlinier Kuhn-Tucker memberikan ide analitis yang menandai
suatu solusi. Toeri ini juga tidak efisien dalam mencari vector solusi namun, mampu
menyebutkan karakter solusi apakah bersifat global atau hanya local.

37
 BAB VIII
Linear Goal (Multi Objectives) Programming
8.1 LGP:Konsep-Konsep Dasar dan Unsur-Unsurnya
LGP merupakan pengembangan Linear Programming (LP). LGP diperkenalkan oleh
Charnes dan Cooper di awal tahun enam puluhan. Perbedaan utama LGP dan LP terletak
pada struktur dan penggunaan fungsi tujuan. Dalam LP fungsi tujuannya hanya mengandung
satu tujuan, sementara dala LGP semua tujuan apakah satu atau beberapa digabungkan dalam
sebuah fungsi tujuan. Dalam LP tujuannya bisa maksimisasi atau minimisasi, sementara LGP
tujuannya adalah meminimumkan penyimpangan-penyimpangan dari tujuan tertentu. Ini
berarti semua masalah LGP adalah masalah minimisasi.
Jika LP berusaha mengidentifikasi solusi optimum dari suatu himpunan solusi layak,
LGP mencari titik yang paling memuaskan dari sebuah persoalan dengan beberapa tujuan
sekali lagi LGP ingin meminimumkan penyimpangan-penyimpangan dari tujuan dengan
mempertimbangkan hirarki prioritas.
a. Terminologi LGP
Decision variables, seperangkat variable yang tak diketahui (LGP dilambangkan dengan x j,
dimana j = 1, 2, …, n) yang akan dicari nilainya. (Variable keputusana).
Right hand side values (RHS) dimana nilai-nilai yang biasanya menunjukkan
ketersediaan sumber daya (dilambangkan dengan b) yang akan ditentukan kekurangan atau
kelebihan penggunaanya, (Nilai sisi kanan).
Goal, keinginan untuk meminimumkan angka penyimpangan dari suatu nilai RHS
pada goal constraint tertentu (tujuan).
Goal constraint, sinonim dari istilah goal equation, yaitu suatu tujuan yang
diekspresikan dalam suatu persamaan matematik dengan memasukkan variable simpangan
(kendala tujuan).
Preemtive priority factor, suatu system urutan (yang dilambangkan dengan Pk, dimana
k = 1, 2, …, k dan k menunjukkan banyaknya tujuan dalam model) yang memungkinkan
tujuan-tujuan disusun secara ordinal dalam model LGP.
Deviational variable, variable yang menunjukan kemungkinan penyimpangan
negative dari suatu nilai RHS kendala tujuan (dalam model LGP dilambangkan dengan di,
dimana i = 1, 2, …, m dan m adalah banyaknya kendala tujuan dalam model) atau
penyimpangan positif dari suatu nilai RHS. Variable-variable ini serupa dengan slack
variable dalam LP.
Differential weight, timbangan matematik yang diekspresikan dengan angka cardinal
(dilambangkan dengan Wk) dan digunakan untuk membedakan variable simpangan I didalam
suatu tingkat prioritas k (bobot).
Technological coefficient, nilai-nilai numerik (dilambangkan dengan aij) yang
menunjukan penggunaan nilai bi per unit untuk menciptakan Xj.
b. Unsur-Unsur LGP

38
 Setiap model LGP paling sedikit terdiri atas tiga komponen, yaitu sebuah fungsi tujuan,
kendala-kendala tujuan, dan kendala non-negatif.
Fungsi Tujuan
m
−¿ −¿¿
- Minimumkan Z=∑ d i +d i ¿
i=1

m
- Minimumkan Z=∑ Pk ¿ ¿ untuk k = 1, 2, …, k
i=1
m
- Minimumkan Z=∑ W ki ¿ ¿ ¿ untuk k = 1, 2, …, k
i=1

Fungsi tujuan yang pertama digunakan jika variable simpangan dalam suatu masalah
tidak dibedakan menurut prioritas atau bobot. Fungsi tujuan yang kedua digunakkan dalam
suatu masalah dimana urutan tujuan tidak diperlukan. Fungsi tujuan yang ketiga digunakan
untuk tujuan-tujuan diurutkan dan variable simpangan pada setiap tingkat prioritas dibedakan
dengan menggunakan bobot yang berlainan Wki.
Kendala Tujuan
Ada enam cara jenis kendala tujuan yang berlainan. Maksud setiap jenis kendala itu
ditentukan oleh hubungannya dengan fungsi tujuan.
Kendala Non Negatif
Seperti dalam LP, variable model LGP biasanya bernilai lebih besar atau sama dengan nol.
Semua model LGP terdiri dari variable simpangan dan variable keputusan, sehingga
pernyataan non negative dilambangkan sebagai X1, d1+, d1+ ≥ 0
Kendala Struktural
Disamping ketiga komponen yang telah disebutkan, dalam model LGP terkadang ditemui
komponen lain yaitu, kendala structural artinya kendala-kendala lingkungan yang tidak
berhubungan langsung dengan tujuan-tujuan masalah. Variable simpangan tidak dimasukkan
dengan kendala ini, karena itu, kendala ini tidak diikutsertakan dalam fungsi tujuan.
8.2Asumsi Model LGP
Sebelum merumuskan model, model LGP memerlukan sejumlah asumsi. Asumsi-asumsi
berikut harus diingat agar penerapan model LGP bermanfaat.
a) Additivitas dan Linieritas
Diasumsikan bahwa proporsi penggunaan bi yang ditentukan oleh aij harus tetap benar
tanpa memperhatikan nilai solusi Xj yang dihasilkan. LHS dari kendala tujuan harus sama
dengan nilai RHS.
b) Divisibilitas
−¿ ¿ +¿¿
Diasumsikan bahwa nilai-nilai Xj, d i , dan d i yang dihasilkan dapat dipecah, artinya
kita dapat menyelesaikan jumlah pecahan nilai Xj dan menggunakan jumlah pecah
sumber daya dalam solusi itu.

39
 c) Terbatas
−¿ ¿ +¿¿
Diasumsikan nilai Xj, d i , dan d i yang dihasilkan harus terbatas. Artinya, jika tidak
dapat memiliki nilai variable keputusan, sumber daya, atau penyimpangan tujuan tidak
terbatas.
d) Kepastian dan Periode Waktu Statis
Diasumsikan bahwa parameter model LGP seperti aij, bi, Pk, dan Wki diketahui dengan
pasti dan akan tetap statis selama periode perencanaan dimana hasil model digunakan.
8.3Perumusan Masalah LGP
Langkah-langkah perumusan LGP meliputi:
1. Tentukan variable keputusan. Kuncinya adalah menyatakan dengan jelas variable
keputusan yang tak diketahui.
2. Nyatakan system kendala. Kuncinya adalah menentukan nilai-nilai sisi kanan dan
kemudian menentukan koefisien teknologi yang cocok dan variable keputusan yang
diikutsertakan dalam kendala. Perhatikan juga penyimpangan yang diperbolehkan dari
nilai RHS.
3. Tentukan prioritas utama. Kuncinya adalah membuat urutan tujuan-tujuan.
4. Menentukan bobot. Kuncinya adalah membuat urutan dalam suatu tujuan tertentu.
5. Nyatakan fungsi tujuan. Disini kuncinya adalah memilih variable simpangan yang benar
untuk dimasukkan dalam fungsi tujuan.
6. Nyatakan keperluan non-negatif.
Ada tiga jenis model banyak tujuan, yaitu tujuan banyak tanpa prioritas, tujuan banyak
dengan prioritas, dan tujuan banyak dengan prioritas dan bobot. Meskipun model banyak
tujuan tanpa prioritas mudah penanganannya, ia kurang memiliki arti praktis.
LGP memberikan urutan preferensi tujuan melalui penggunaan koefisien prioritas (P).
Tujuan (variable simpangan) yang memiliki prioritas diberi nilai fungsi tujuan smapai semua
tujuan telah diurutkan. Umumnya, nilai fungsi tujuan bukanlah suatu nilai angka, melaikan
hanya menunjukan tingkat prioritas. Dua masalah tujuan ini memiliki indeks prioritas yang
sama. Namun, untuk kasus dengan beberapa tujuan dan urutan yang sama adalah lebih
penting disbanding tujuan-tujuan lainnya.
Suatu kendala tujuan terdiri dari variable simpangan dibawah (d -) dan diatas (d+) nilai
target. Penghilangan salah satu jenis variable simpangan dalam kendala tujuan akan
membatasi tujuan itu pada arah yang dihilangkan. Makusdnya, penghilangan d+
menempatkan suatu batas atas tujuan itu, sementara penghilangan d- memaksa suatu batas
bawah tujuan itu. Sehingga penghilangan variable simpangan pada tujuan dengan prioritas
lebih rendah, dapat membatasi penyimpangan tujuan dengan prioritas tinggi.

40
 BAB IV
Probabilitas Konsep-Konsep Dasar
9.1 Arti dan Pendekatan Probablititas
Probabilitas didefinisikan sebagai peluang atau kemungkinan terjadinya suatu peristiwa. Ia
dinyatakan dalam pecahan (¼, ½, ¾) atau persen dan besarnya antara 0 atau 1. Tidak pernah
ada probabilitas negative maupun lebih besar dari 1.
Percobaan adalah pengamatan terhadap beberapa aktivitas atau proses pelaksanaan
observasi yang memungkinkan timbulnya paling sedikit dua peristiwa tanpa meperhatikan
peristiwa mana yang akan terjadi.
Ruang sampel adalah himpunan semua hasil yang mungkin terjadi pada suatu
percobaan. Titik sampel adalah setiap anggota dari ruang sampel, dan kejadian atau peristiwa
adalah himpunan bagian dari ruang sampel pada suatu percobaan, atau hasil dari percobaan.
Menurut pendekatan klasik, probabilitas adalah hasil bagi dari banyaknya perisitiwa
yang dimaksud dengan seluruh peristiwa yang mungkin. Menurut pendekatan frekuensi
relative, probabilitas diartikan sebagai:
a) Proporsi waktu terjadinya suatu peristiwa dalam jangka panjang, jika kondisi
stabil, atau
b) Frekuensi relati dari seluruh peristiwa dalam sejumlah besar percobaan.
Pendekatan subjektif, probabilitas adalah suatu peristiwa yang ditentukan dengan
perasaan atau kepercayaan yang didasarkan fakta.
9.2 Konsep Dasar dan Aturan Probabilitas
Simbol P() dimaksudkan sebagai probabilitas dari peristiwa yang ada dalam tanda kurung.
P ( n )=P ( A ) × P( B)
Peristiwa Bersama adalah terjadinya dua atau lebih peristiwa dalam suatu percobaan
probabilitas. Dalam teori probabilitas dinyatakan bahwa probabilitas terjadinya X adalah
jumlah probabilitas dari semua peristiwa bersama yang secara simbolis dinyatakan
P ( X )=P ( XY ) + P( XY ), dimana Y menunjukkan semua peristiwa yang bukan Y.
Peristiwa Mutually Exclusive, hukum penjualan mengkehendaki peristiwa saling
lepas atau mutually exclusive yaitu apabila suatu peristiwa terjadi, maka yang lain tidak dapat
terjadi secara bersamaan. Jika dua peristiwa X dan Y adalah mutually exclusive, maka aturan
probabilitasnya:
P ( X atau Y ) =P ( X )+ P ( Y ) −P ( XY ) , karena P (XY) = 0, maka
P ( X atau Y ) =P ( X )+ P (Y )
Peristiwa Bersyarat (Conditional Probability), P(X|Y) merupakan simbol untuk
probabilitas bersyarat yang berarti probabilitas peristiwa X akan terjadi dengan syarat
peristiwa Y telah terjadi. Bentuk umum probabilitas bersyarat diperoleh:

41
 P(XY )
P ( XY ) , atau jika kedua sisi dikalikan P(Y) maka probabilitas peristiwa
P( Y )
bersama P ( XY )=P ( Y ) P( X∨Y ) dan tentu saja P ( Y |X )=P ( Y ) P ( X|Y )=P ( X ) P(Y ∨ X )
Peristiwa Bebas dan Bergantung, dua peristiwa dikatakan independen jika
probabilitas terjadinya suatu peristiwa tidak mempengaruhi atau dipengaruhi peristiwa lain.
Dalam hal ini, P ¿) sama dengan P( X ) karena terjadinya X tidak dipengaruhi oleh Y , dan
P(Y ∨X ) sama dengan P(Y ). Untuk mengetahui apakah dua peristiwa bersifat indepenent,
dapat dilihat dari probabiltas persitiwa bersamanya. Jika X dan Y independent, maka
P( XY )=P( X). P(Y ∨ X) karena P(Y ∨X )=P( X ) jadi P( XY )=P( X) . P(Y ). Jika terdapat
tiga peristiwa X , Y , dan Zyang independen maka P( XYZ )=P(X ) . P(Y ). P(Z ).
Dua peristiwa dikatakan dependent jika probabilitas terjadinya suatu peristiwa
mempengaruhi atau dipengaruhi terjadinya peristiwa lain. Peristiwa X dan Y adalah
dependent jika P ( X Y ) ≠ P ( X ) . P(Y ) karena P(Y )≠ P(Y ∨X ).
Peristiwa Pelengkap, misalkan X ’ berarti peristiwa bukan X , kemudian dalam suatu
percobaan X dan X ’ saling melengkapi dalam arti jika peristiwa X tak terjadi maka X ’ pasti
terjadi. Sehingga P( X )+ P( X ’ )=1atau P( X )=1 – P ( X ’).
9.3 Diagram Pohon
Diagram pohon biasanya digambarkan dengan lambang yang baku. Dimulai dengan nokhta
kemudian dibuat cabang-cabang sebanyak peristiwa yang mungkin dapat dihasilkan dari
percobaan. Setiap cabang berakhir dengan nokhta yang kemudian diisi dengan probabilitas
peristiwa bersama. Pada nokhta yang paling awal dituliskan angka 1 yang artinya jumlah
probabilitas dari seluruh peristiwa yang mungkin.
9.4 Teori Bayes
Teori ini menerangkan hubungan antara probabilitas terjadinya peristiwa X dengan syarat
peristiwa Y telah terjadi dan sebaliknya. Teori ini didasarkan pada prinsip bahwa tambahan
informasi dapat memperbaiki probabilitas.
Hubungan dalam teori ini diturunkan dengan aturan probabilitas bersyarat:
P ( XY )
P ( X|Y )=
P(Y )
P ( XY )=P ( X ) P ( X|X ) , sehingga Y
P ( X|Y )=P ( X ) P ¿ ¿
Dari persamaan diatas P(X|Y) berada pada sisi kiri dan kebalikannya P(Y|X) berada
pada sisi kanan. Namun teori Bayes ditulis dalam bentuk lebih Panjang dengan mengubah
penyebutnya kedalam bentuk yang berisi probabilitas bersyarat.

P ( Y )=P ( Y |X ) + P ( Y X ' ) P ( Y )=P ( X ) P ( Y | X ) + P ( X ' ) P ( Y | X ' )

Bila disubstitusikan kedalam persamaan P( X ∨Y ) diperoleh:

P (Y | X ) P ( X )
P ( X|Y )=
P ( Y |X ) P ( X ) + P ( Y| X ' ) P ( X ' )

42
 BAB X
Distibusi Probabilitas
10.1 Variable Random
Variable random adalah variable yang nilainya ditentukan oleh kesempatan atau peluang.
Karenanya, angka-angka itu merupakan nilai dari suatu variable random. Dikatakan random
karena tak ada cara untuk memperkirakan angka mana yang akan muncul. Dua macam
variable random yaitu diskrit dan kontinu.
Variable random diskrit hanya mengisi nilai-nilai tertentu yang terpisah dalam suatu
interval. Jika digambarkan diatas garis interval, variable ini akan berupa sederetan titik-titik
yang terpisah.
Variable random kontinu dapat mengisi nilai manapun dalam suatu interval. Jika
Digambar, variable random kontinu akan berupa sederetan titik yang bersambung
membentuk garis lurus.

10.2 Distribusi Probabilitas Poisson

Distribusi poisson sering muncul dalam literatur manajemen karena banyak diterapkan dalam
bidang itu, namun beberapa proses “kedatangan” itu belum pasti mengikuti proses poisson.
Jika pola kedatangan diasumsikan mengikuti proses poisson, rumus poisson dapat digunakan
untuk menghitung probabilitas banyaknya kedatangan dalam suatu selang waktu tertentu.
Rumus poisson memberi jaaban tentang berapa probabilitas banyaknya kedatangan
dalam suatu interval waktu. Kedatangannya mempunyai ciri-ciri berikut:
a) Tingkat kedatangan rata-rata dapat diduga berdasarkan data masa lalu.
b) Tingkat kedatangan rata-rata per satuan waktu adalah konstan.
c) Banyaknya kedatangan dalam suatu selang waktu tidak diperngaruhi oleh apa yang terjadi
dalam selang waktu sebelumnya.
d) Probabilitas suatu kedatangan dalam sedang selang waktu yang sangat pendek adalah
sangat kecil sehingga probabilitas lebih dari satu kedatangan dalam selang waktu yang
pendek mendekati nol.
P ( X )=C− λ ¿ ¿ Dimana x ! dibaca factorial*
Keterangan:
1
e : bilangan natural dimana e=lim (1+ )k = 2,7828
k →∞ k
λ ; rata-rata tingkat kedatangan
x : banyaknya kedatangan, yang merupkan variable random diskrit
10.3 Distribusi Probabilitas Normal
Karl Gauss mengemukakan variable-variable ilmu social dan ilmu pengetahuan alam banyak
memiliki distribusi dengan ciri-ciri:

43
 1) Kurvanya mempunyai puncak tunggal
2) Kurvanya berbentuk seperti lonceng
3) Rata-rata terletak ditengah distribusi dan distribusinya simetris di sektar garis tegak lurus
yang ditarik melalui rata-rata
4) Kedua ekor kurva memanjang tak terbiasa dan tak pernah memotong sumbu horizontal.
Untuk mencari probabilitas suatu interval dan variable random kontinu, dapat dipermudah
dengan bantuan distribusi normal standar yang memiliki rata-rata μ=0 dan deviasi standar
s=1. Rumus untuk memperoleh variable normal standar:
nilai variable random−r ata ­rata variable random
Z=
deviasi standar variable random
Jika x = nilai variable random
μ = rata-rata variable random
σ = deviasi standar variable random
Maka,
x −μ
Z=
σ

10.4 Distribusi Probabilitas Eksponensial

Suatu ciri menarik dalam proses poisson adalah bahwa jika banyaknya kedatangan per satuan
wkatu mengikuti distribusi poisson dengan rata-rata 1, maka waktu antar kedatangan
mengikuti distribusi probabilitas eksponensial negative dengan rata-rata 1/1.
Density function untuk distribusi eksponensial negative adalah:

f ( t )=μn e−μt
Dimana;
t = waktu pelayanan
f(t) = probabilitas yang berhubungan dengan t
μ = rata-rata tingkat pelayanan sehingga 1/ μ = rata-rata waktu pelayanan.
Distribusi poison adalah diskrit karena menyangkut banyaknya kedatangan per satu
waktu.
10.5 Distribusi Probabilitas Beta
Karena umumnya tidak tersedia data tentang waktu penyelesaian kegiatan untuk
menentepkan suatu bentuk distribusi tertentu, distribusi beta telah diterima sebagai suatu
distribusi probabilitas. Setiap kegiatn diasumsikan membreikan tiga kemungkinan waktu
penyelesaiannya:
1) Optimistic time ialah waktu terpendek untuk menyelesaikan kegiatan.
2) Most likely time ialah waktu yang paling mungkin untuk menyelesaikan kegiatan.
44
 3) Pessimistic time ialah waktu terlama untuk menyelesaikan kegiatan.
10.6 Expected Value and Varians
Expected value bermanfaat bila mengetahui rata-rata nilai variable random yang dihasilkan
dari peristiwa berulang. Karena nilai itu terjadi di masa depan, rata-ratanya dinamakan
expected value. Jumlah dari expected value diberi symbol ϵ (x). ϵ ( x )=Σ x P(x ).
Seperti halnya expected value atau rata-rata terimbang yang menunjukkan konsentrasi
distribusi, penyebaran variable random dapat diukur dengan varians, diberikan symbol s2 (x) .

45
 BAB XI
Analisis Keputusan
11.1 Keputusan dalam Uncertainty
Pengambilan keputusan dalam ketidakpastian menunjukkan suasana keputusan dimana
probabilitas hasil-hasil potensial tak dikenal (tak diperkirakan). Dalam siasana ketidakpastian
pengambil keputusan sadar akan hasil alternatif dalam bermacam-macam peristiwa, namun
pengambil keputusan tak dapat menetapkan probabilitas peristiwa.
Terdapat beberapa kriteria pengambilan keputusan dalam ketidakpastiaan.
Kriteria maximin, terkadang disebut juga sebagai kriteria wald, didasarkan pada
asumsi bahwa pengambil keputusan adalah pesimistik atau konservatif atau riskan avoider
tentang masa depan. Menurur kriteria ini, hasil terkecil untuk setiap alternative dibandingkan
dan alternatif yang menghasilkan nilai maksimum dari hasil yang minimum dipilih.
Kriteria maximax, didasarkan pada asumsi optimisme pengambil keputusan. Menurut
kriteria ini, pengambil keputusan memilih alternatif yang merupakan nilai maksimum dari
pay off yang maksimum.
Kriteria regret atau minimax didasarkan pada konsep opportunity loss atau regret.
Prinsip dasar pendekatan ini adalah bahwa pengambil keputusan mengalami kerugian jika
suatu peristiwa terjadi menyebabkan alternatif yang terpilih kurang dari pay off maksimum.
Jumlah regret atau opportunity loss ditentukan dengan mengurangi pay off maksimum.
Kriteria Hurwicz, menunjukan suatu kompromi antara kriteria maximin dan maximax.
Pengambil keputusan jarang pesimistik atau optimistic, biasanya mereka memperlihatkan
suatu campuran antara pesimisme dan optimism. Pendekatan Hurwicz menghendaki bahwa
untuk setiap untuk setiap alternatif pay off yang maksimum dikalikan a dan pay off minimum
dikalikan 1-a. Masalah pokok kriteria ini adalah penentuan a. Beberapa nilai a harus diperiksa
sebelum pendugaan realistic tingkat optimism pengambil keputusan ditetapkan.
Kriteria Laplace, atau kriteria equal likelihood menyarankam bahwa karena
probabilitas peristiwa tak diketahui, seharusnya diasumsikan bahwa semua peristiwa
mempunyai kemungkinan yang sama terjadi. Dengan kata lain, setiap peristiwa ditetapkan
memiliki probabilitas sama, dalam kasus ini sebesar 1/3.
11.2 Keputusan dalam Suasana Riskan
Prosedur keputusan dalam suasana riskan mengikuti tahap berikut. Pertama, diawali dengan
mengidentifikasikan bermacam tindakan yang tersedia dan layak. Kedua, peristiwa-peristiwa
yang mungkin dan probabilitas terjadinya harus diduga. Ketiga, pay off untuk suatu Tindakan
dan peristiwa tertentu ditentukan.
Kriteria yang paling sering digunakan dalam pengambilan keputusan adalah expected
value, untuk suatu Tindakan adalah rata-rata pay off, yaitu jumalah dari pay off untuk setiap
kombinasi tindakan peristiwa dikalikan probabilitas peristiwa yang bersangkutan.
Suatu kriteria alternatif untuk mengevaluasi keputusan dalam suasan riskan
dinamakan expected opportunity loss (EOL). Prinsip dasar EOL adalah meminimumkan
kerugian yang disebabkan pemilihan alternatif keputusan tertentu. Opportunity loss dihitung

46
 untuk setiap peristiwa dengan pertama kali mengidentifikasikan tindakan terbaik untuk setiap
peristiwa.
Suatu perluasan dari kriteria Expected Value (EV) dan EOL adalah Expected Value of
Perfect Information (EVPI). Dalam pembuatan keputusan pada suasana riskan, informasi
yang tersedia kurang banyak disbanding keputusan dalam suasana certainty. Dalam
hubungannya dengan teori keputusan, ini ditafsirkan sebagai selisih antara hasil yang
berhubungan dengan probabilitas (yaitu riskan) dan pengetahuan pasti di mana hasil akan
terjadi (certainty). Jika informasi yang diperoleh pengambil keputusan dapat mengubah
suasan riskan menjadi certainty, informasi itu dikatakan menjadi informasi sempurna.
11.3 Kriteria Utility dalam Suasana Riskan
Dalam praktik sering dijumpai bahwa keputusan tidak didasarkan pada expected value
tertinggi atau expected cost terendah. Kepribadian ini dinamakan riskan averse. Kriteria
expected value tidak selalu digunakan dalam keputusan. Tindakan ini disebabkan karena
adanya perbedaan sikap seseorang dalam menghadapi risiko. Sikap itu sangat dipengaruhi
oleh peranan payoff potensial terhadap kekayaan.
Von Nounmann dan Morgenstern menjelaskan tingkah laku itu dengan konsep utility.
Dalam konteks ini utility berarti ukuran kesenangan yang ditimbulkan dari pay off moneter.
Menurut mereka utility dapat dinyatakan dalam skala numerik (cardinal) sehingga utility
merupakan suatu skala preferensi, angka lebih tinggi berarti lebih disukai disbanding yang
lebih rendah. Dengan demikian keputusan didasarkan pada expected utility yang tertinggi,
yang dihitung serupa dengan perhitungan expected value.

47
 BAB XII
Game Theory
12.1 Matrik Pay-Off Suatu Game
Dalam game theory diasumsikan bahwa setiap pemain mengetahui dengan tepat pay-off
setiap kemungkinan kombinasi strategi yang tersedia. Game theory adalah suatu pendekatan
matematis untuk merumuskan situasi persaingan dan konflik antara berbagai kepentingan.
Teori ini dikembangkan untuk menganalisa proses pengambilan keputusan dari situasi-situasi
persaingan yang berbeda-beda dan melibatkan dua atau lebih kepentingan.
Matriks pay off merupakan matriks yang elemen-elemennya merupakan matriks
jumlah nilai yang harus dibayarkan dari pihak pemain yang kalah kepada yang menang.
Pengertian ini tidak selalu berarti uang, akan tetapi bisa juga kenaikan/penurunan market
share. Jumlah pay off setiap kemungkinan kombinasi strategi tidak sama dengan nol dan
tidak tetap, dengan demikian ini tergolong non zero and non constant sum game.
12.2 Prinsip Maximin dan Minimax
Game merupakan suatu kasus kekurangan informasi dimana pemain-pemain yang tanggap
sedang bekerja dalam lingkungan yang bermusuhan. Sebagai akibatnya, kriteria untuk
menyelesaikan masalah keputusan ini adalah kriteria yang sangat konservatif yaitu kriteria
maximin dan minimax.
Prinsip maximin untuk keuntungan dan prinsip maksimin untuk kerugian. Menurut
prinsip maksimin, pemain A adalah pesimistik, sehingga akan memilih strategi yang
memaksimumkan keuntungan dari kemungkinan pay off yang minimum. Pada waktu yang
sama, B berusaha meminimumkan kerugian dari kerugian yang diperkirakan maksimum.
Dalam menentukan metode yang digunakan untuk menyelesaikan sebuah permainan,
pertama dilihat apakah permainan tersebut mempunya titik sadel (titik keseimbangan). Titik
sadel adalah nilai dimana kemenangan yang diperoleh oleh pemain A dapat diterima oleh
pemain B atau sebaliknya. Metode minimaks dan maksimin digunakan untuk mencari titik
sadel.
12.3 Peranan Dominasi
Konsep dominasi berguna untuk matriks pay off ukuran besar, Aturan dominasi digunakan
untuk mengurangi ukuran matriks sebelum analisis untuk menentukan solusi optimum
dilakukan. Strategi yang didominasi ditunjukkan oleh baris atau kolom yang diarsir.
Pemain B
W X Y Z
1 4 8 3,5 6
2 6,5 9 5,5 7
Pemain A
3 5,5 4 4,5 7,5
4 4,5 2,5 5 5
Matriks pay off pemain A dan B

Pemain B
W X Y Z
Pemain A 2 6,5 9 5,5 7

48
 3 5,5 4 4,5 7,5
Matriks pay off setelah direduksi

Masing-masing pemain yang berebut pangsa pasar memiliki empat strategi. Bagi pemain A,
strategi 1 dan 4 didominasi oleh strategi 2, karena itu dapat dihilangkan dari matriks pay off.
Kemudian, dalam matriks yang tersisa terlihat bahwa untuk pemain B, strategi w dan z
didominasi oleh y. Sehingga kolom-kolom itu dapat dihapus menjadi:

Matriks penyelesaian permainan

Pemain B
X Y
Pemain A 2 9 5,5

12.4 Mixed Strategy

Metode mixed strategy menganggap bahwa karena taka da pemain yang tahu strategi apa
yang akan dipilih pemain lain, setiap pemain akan berusaha merumuskan suatu strategi yang
berakibat sama saja terhadap strategi yang dipilih lawan, Pemilihan random menghasilkan
pemilihan strategi sejumlah persen tertentu, sehingga keuntungan atau kerugian pemain
adalah sama tanpa mempedulikan strategi lawan.
Dalam suatu kasus, langkah pertama yang harus diterapkan adalah prinsip maximin
dan minimax. Langkah berikutnnya, terapkan strategi dominan, dengan harapan ukuran
matriks pay off dapat diperkecil.
12.5 Linear Programming dan Game Theory
Linear programming dapat diterapkan pada two person zero sum game untuk mencari
probabilitas yang berhubungan dengan mixed strategy. Keuntungan utamanya adalah bahwa
ia dapat diterapkan pada game dengan lebih dari dua strategi untuk setiap pemain. Sementara
expected gain and loss hanya dapat diterapkan pada game dimana setiap pemain hanya
memiliki dua strategi.
Sebagai contoh, misalkan probabilitas perusahaan A memilih strategi 1 dan n diberi
symbol p1 dan Pn. Jika perusahaan B memilih w, maka expected gain A adalah −7 p1 +4 P n.
Karena A ingin memaksimumkan expected gain, maka expected gain harus sama atau lebih
besar dari value of game. Maka, untuk berbagai pilihan B dituliskan sebagai:
P1 Pn
−7 +4 ≥ 1 memilih w4 P1−1 P n ≥ vB memilih y
v v
Diketahui bahwa P1 + Pn = 1
Jika perusahaan A bertujuan memaksimumkan expected gain yang dapat dicapai
dengan memaksimumkan value of game (v),

P1 Pn P1 Pn P1 Pn 1 P1 Pn
−7 +4 ≥ 14 −1 ≥ 1 + ≥ Misalkan ¿ =P1 dan =P n. Tujuan perusahaan
v v v v v v v v v
A adalah memaksimumkan yang dapat dicapai dengan meminimumkan 1/v. Untuk
sederhananya, misalkan 1/v =V . Kemudian model linear programmingnya adalah:

49
 Minimumkan V =P 1+ Pn

dengan syarat −7 P1 +4 P n ≥ 14 P1−1 P n ≥ 1P1 . Pn ≥ 0

12.6 Dilema Tahanan
Suatu permainan pay off seperto pada table di bawah dikenal dengan dilema tahanan
(priosoners dilemma), karena game seperti itu pertama kali membahas dua orang tahanan
yang bersekongkol untuk melakukan tindak kejahatan sedang diinterogasi secara terpisah
karena polisi tidak memiliki bukti yang kuat. Dilema tahanan ini sering terjadi dalam
negoisasi politik maupun ekonomi, misalnya dalam pengawasan senjata dan masalah
penjatahan dalam suatu kartel.
Individu B
Mengaku Tidak Mengaku
Mengaku 5,5 0,20
Individu A
Tidak Mengaku 20,0 1,1
Pay off dilema tahanan

Kombinasi strategi menyangkal-menyangkal adalah Pareto Efficient artinya tidak ada

kombinasi strategi lain yang memperbaiki keadaan kedua tahanan, sementara kombinasi
strategi mengakui-mengakui adalah Pareto Inefficient.
12.7 Game Berurutan (Tak Serentak)
Sampai saat ini kombinasi strategi para pemain diambil pada waktu yang bersamaan. Tetapi
dalam beberapa kasus seorang pemain bertindak lebih dulu dan tanggapan pemain lain
menyusul, jadi tidak serentak melainkan berurutan.
Sebagai contoh, disajikan sebuah kasus di mana sebuah monopolis menghadapi
ancaman masuknya perusahaan lain. Calon pendatang punya dua pilihan, di luar atau masuk,
sedang monopolis dapat menanggapi dengan melawan atau membiarkan.. Jika pay-off dari
games berurut ini disajikan seperti pada Tabel 12.1, maka akan muncul dua keseimbangan,
yaitu antara kombinasi di luar-melawan dan kombinasi masuk-membiarkan.
Tabel pay-off itu tidak dapat menerangkan fakta bahwa seorang pemain telah
mengetahui apa yang dilakukan pemain lain sebelum ia bertindak. Karena ini, salah satu dari
keseimbangan itu sesungguhnya tidak masuk akal. Dalam kasus ini akan lebih jelas jika pay-
off itu disajikan dengan menggunakan suatu games tree seperti ditunjukkan pada Gambar
12.1.

Monopolis
Melawan Membiarkan
Calon Di luar -3, -3 0, -6
Pendatang Masuk -6, 0 -1, -1

50
 Calon Pendatang

Diluar Masuk

Melawan Melawan

Membiarkan Membiarkan

51
 BAB XIII
Analisis Markov
13.1 Ciri-Ciri Proses Markov
Analisis Markov disebut juga proses stokastik yang merupakan suatu bentuk khusus dari
model probabilistic. Proses stokastik merupakan suatu proses perubahan probabilistic yang
terjadi secara terus-menerus, dimana perubahan variable dimasa yang akan datang didasarkan
atas perubahan variable waktu lalu.
Ciri-ciri analisis Markov yaitu:
a) Bila diketahui status suatu kondisi awal, maka pada kondisi periode berikutnya
merupakan suatu proses random yang dinyatakan dalam probabilitas, yang disebut
probabilitas transisi.
b) Probabilitas transisi tidak akan berubah untuk selamanya.
c) Probabilitas transisi hanya tergantung pada status awal.
13.2 Peralatan Analisis Markov
Informasi yang dapat dihasilkan dari analisis Markov adalah probabilitas berada dalam suatu
status pada satu periode di masa depan. Ada du acara menemukan informasi itum yaitu
dengan probabilities tree dan perkalian matriks.
Probabilities tree merupakan cara yang nyaman untuk menunjukkan sejumlah
terbatas transisi dari suatu proses Markov. Semua probabilitas transisi pada masalah itu
adalah:
State State Besok
Hari ini Hujan Cerah
Hujan 0,6 0,4
Cerah 0,8 0,2
Ingin dihitung probabilitas cuaca akan berstatus hujan pada hari ke-3, jika pada hari
ini berstatus hujan.

52
 Hari ke-1 Hari ke-2 Hari ke-3

0,36

0,6 Hujan
0,6

0,6 Hujan 0,24

Cerah
0,4
Hujan
0,32
0,4 0,8
Hujan
0,4 Cerah
0,08
0,2 Cerah

Jadi, Probabilitas cuaca akan berstatus hujan pada hari ke-3, jika pada hari ini (hari
pertama) berstatus hujan adalah
H H (3)=0,36+0,32=0,68

Probabilitas cuaca akan berstatus cerah pada hari ke-3, jika pada hari ini (hari
pertama) berstatus hujan adalah
C H (3)0,24+0,08=0,32

53
 13.3 Probabilitas Steady State
Dalam banyak kasus, proses Markov akan menuju ke kondisi steady state artinyna setelah
proses berjalan selama beberapa periode, probabilitas status akan bernilai tetap, dan ini
dinamakan probabilitas steady state. Namun, suatu analisis Markov dapat saja tidak mencapai
kondisi steady state.
Misal perusahaan angkot mempunyai 100 kendaraan, maka jumlah angkot yang setiap
hari diharapkan dapat berjalan adalah :
N n ×100=0,67 ×100=66,67 ≈ 67

Dan yang mogok adalah :

M n × 100=0,33 × 100=33,33 ≈ 33.

Bila pemilik angkot merasa tidak puas dengan kondisi tersebut dan ingin
meningkatkan kondisi tersebut, maka pemilik angkot berusaha untuk menggunakan suku
cadang asli dalam setiap perawatan kendaraan, sehingga diperoleh matriks transisi yang baru
yaitu :
0,7 0,3
0,8 0,2
Probabilitas steady state berdasar matriks transisi yang baru, bila awalnya angkot
berstatus jalan adalah:
0,3
M n=0,3 ( 1−M n )+ 0,2 M n M n= =0,27 dan N n =0,73
1,1
Berulang kali ditunjukkan bahwa jumlah probabilitas transisi pada setiap baris matriks
transisi adalah 1. Jika semua jumlah kolom matriks itu juga sama dengan 1, matriks transisi
dinamakan Stokastik Ganda.

BAB XIV
Analisis Antrian
14.1 Komponen Proses Antrian
Analisis antrian pertama kali diperkenalkan oleh A.K. Erlang (1913). Komponen dasar proses
antrian adalah: kedatangan, pelayan, dan antri.
Setiap masalah antrian melibatkan kedatangan, misalnya orang, mobil, atau panggilan
telepon untuk dilayani. Unsur ini dinamakan proses input, meliputi sumber kedatangan atau
calling population.
Pelayan atau mekanisme pelayanan dapat terdiri dari satu atau lebih pelayan atau
fasilitas pelayanan. Cara pelayanan dirampungkan, yang kadang-kadang merupakan proses
random.
Timbulnya antrian terutama tergantung dari sifat kedatangan dan proses pelayanan.
Penentu antrian lain yang penting adalah disiplin antri.

54
 14.2 Struktur Dasar Proses Antrian
Proses antrian umumnya dikelompokkan menjadi empat struktur dasar menurut sifat-sifat
fasilitas pelayanan.
a) Satu saluran satu tahap
b) Banyak saluran satu tahap
c) Satu saluran banyak tahap
d) Banyak saluran banyak tahap
Banyaknya saluran dalam proses antrian adalah jumlah pelayanan parallel yang
tersedia. Banyaknya tahap menunjukkan jumlah pelayanan berurutan yang harus dilalui oleh
setiap kedatangan.
14.3 Kerangka Keputusan Masalah Antrian
Kebanyakan literatur teori antrian menekankan penemuan operating characteristic atau ciri-
ciri operasi system antrian. Ciri-ciri operasi yang akan dipelajari adalah:
Pn : Probabilitas n pengantri dalam system
L : Rata-rata banyaknya pengantri dalam system
Lq : Rata-rata banyaknya pengantri dalam antrian
W : Rata-rata waktu menunggu dalam system (antri + pelayanan)
Wq : Rata-rata waktu antri
Po atau I : Proporsi waktu nganggur pelayan (tidak ada pengantri)
Tingkat pelayanan yang disarankan adalah yang menyebabkan total expected cost
terendah. Namun, tidak berarti analisis ini dapat menentukan biaya total terendah secara tepat
sebab operating characteristics yang diperoleh hanya merupakan angka rata-rata dan
sehingga tidak pasti.
Biaya pelayanan dapat dilihat dari sisi pandang yang lain. Jika tingkat pelayanan
bertambah, waktu nganggur pelayan diperkirakan juga bertambah, yang berarti suatu
kenaikan dalam opportunity cost karena tidak mengalokasikan pelayan ke kegiatan produktif
yang lain.
Biaya menunggu dapat diduga secara sederhana sebagai biaya kehilangan keuntungan
bagi pengusaha, atau biaya turunnya produktivitas bagi pekerja. Ini berarti serupa dengan
biaya pelayanan, dimana penentuannya dapat berbeda dari kasus satu ke kasus lain. Dan
model keputusan masalah antrian dirumuskan sebagai:
Minimumkan ∈ ( C )=I Ci +W C w
Keterangan:
∈(C) : total expected cost untuk tingkat pelayanan tertentu.
I : waktu nganggur pelayan yang diharapkan
Ci : biaya nganggur palayan per unit waktu

55
 W : waktu menunggu yang diharapkan untuk semua kedatangan
Cw : biaya menunggu pengantri per unit waktu
14.4 Asumsi-Asumi Teori Antrian
Distribusi Kedatangan
Model antrian adalah model probabilistic (stochastic) karena unsur-unsur tertentu proses
antrian yang dimasukkan dalam model adalah variable random. Variable ini sering
digambarkan dengan distribusi probabilitas. Asumsi yang digunakan dalam kaitannya dengan
distribusi kedatangan adalah distribusi poisson. Rumus umum distribusi probabilitas Poisson
adalah:

e−λ λ
P( X )
X!
Dimana:
x : banyaknya kedatangan
P(X) : probabilitas kedatangan
λ : rata-rata tangkat kedatangan
e : dasar logaritma natural, yaitu 2,71828
x! : x ( x−1 )( x−2 ) … 1 (dibaca x factorial)
Distribusi Waktu Pelayanan
Asumsi yang biasa digunakan bagi distribusi waktu pelayanan adalah distribusi eksponensial
negative. Rumus umum density functional probabilitas eksponensial negative adalah:

f ( t )=μ e− μt
Dimana:
t : waktu pelayanan
f (t) : probabilitas yang berhubungan dengan t
μ : rata-rata tingkat pelayanan
1/ μ : rata-rata waktu pelayanan
e : dasar logaritma natural, yaitu 2,71828
Disiplin Antri
Umumnya, diasumsikan pengantri dilayani berdasar FCFS. Suatu tingkah laku pengantri
yang dapat mempengaruhi aturan pelayanan adalah pengantri yang tak sabar dan
memutuskan untuk meninggalkan system sebelum dilayani, reneging.
Steady State dan Transient
Asumsi yang paling penting dalam teori antrian adalah apakah system mencapai suatu
keadaan keseimbangan atau steady state. Ini diasumsikan bahwa ciri-ciri operasi seperti

56
 panjang antrian dan rata-rata waktu menunggu akan memiliki nilai konstan setelah system
berjalan selama suatu periode waktu.
Tingkat Kedatangan dan Tingkat Pelayanan
Diasumsikan bahwa tingkat pelayanan ( µ ) harus melebihi tingkat kedatangan pengantri (l).
Jika tidak, antrian akan makin panjang sehingga tidak ada solusi keseimbangan. Hubungan
antara tingkat kedatangan ( λ ) dan tingkat pelayanan ( µ ) dan panjang antrian yang
diharapkan ditunjukkan pada gambar. Jika λ kurang dari µ , maka traffic intensity atau
utilization faktor R = λ / µ kurang dari 1. Jika rasio ini mendekati 1, panjang antrian yang
diharapkan akan mendekati tak terbatas.

14.5 Notasi Kendala

Notasi dituliskan (a/ b/ c/ d/ e/ f). Notasi kendall yang asli adalah (a/ b/ c)
Keterangan:
a : distribusi kedatangan
b : distribusi keberangkatan atau waktu pelayanan, untuk a dan b, M menunjukkan
poisson, Ek menunjukkan Erlang, dan D berarti deterministic atau konstan.
c : banyaknya pelayanan parallel
d : disiplin antri, seperti FCFS, LCFS, prioritas, dan random
e : jumlah maksimum pengantri dalam system (antri dan dilayani)
f : jumlah sumber kedatangan.
Jika yang diperluas tak disebutkan, maka:

57
 (./ ./ ./ I/ FCFS/ ∞/ ∞)
14.6 Model Antrian Satu Saluran Satu Tahap (M/ M/ 1)
Pada model ini kedatangan dan keberangkatan mengikuti distribusi poisson dengan tingkat 1
dan μ, terdapat satu pelayan, kapasitas pelayanan dan sumber kedatangan tak terbatas. Untuk
menentukan operating characteristic atau ciri-ciri operasi, dapat melalui penurunan
matematik yang cukup Panjang, dalam kondisi steady state bahwa:
λ
Pn=( 1−R ) R n, dimana R= ≤1 dan n = 0, 1, 2, …
μ
Bertolak dari rumus itu dapat diperoleh ciri-ciri operasi lain, seperti:
1) Probabilitas terdapat k atau lebih pengantri dalam system adalah Pn ≥ k = Rk
∞
R
2) Rata-rata banyaknya pengantri dalam system L=∑ n P n=
n=0 1−R
R2
3) Rata-rata banyaknya pengantri yang sedang antri Lq=
1−R
1
4) Rata-rata waktu menunggu dalam system W =
μ−λ
λ
5) Rata-rata waktu antri Wq=
μ ( μ−λ )
6) Proporsi waktu nganggur pekerja P0=1−R
14.7 Model Antrian Banyak Saluran Satu Tahap (M/M/C)
1
Jika traffic intensity ( R= ) mendekati satu, rata-rata waktu antri menjadi makin lama.
μ

58
 Struktur proses antrian pada gambar a diatas tidak dapat dikatakan sebagai struktur
antrian banyak saluran, melainkan suatu struktur antrian dengan beberapa saluran tunggal
satu tahap yang bekerja serentak.
Struktur antrian banyak saluran ada pada gambar b. Ciri struktur ini adalah bahwa
hanya ada sebuah antrian didepan fasilitas pelayanan yang berisi banyak saluran atau
pelayan.

59
 BAB XV
Analisis Persediaan
15.1 Jenis dan Manfaat Persediaan
Persediaan (inventory) merupakan sumber daya yang disimpan untuk memenuhi permintaan
saat ini dan mendatang. Ada banyak bentuk persediaan, diantaranya bahan mentah, bahan
dalam proses, perlengkapan operasi dan perawatan, serta bahan jadi. Bahan dalam proses
adalah bahan yang sedang diproses, telah berubah namun belum selesai.
Ada banyak alasan mengapa perusahaan punya persediaan. Pertama, untuk memenuhi
permintaan konsumen yang telah diramalkan. Kedua, untuk mendapatkan potongan harga
jika membeli dalam jumlah banyak. Ketiga, untuk menghindari risiko akibat kenaikan harga.
Keempat, persediaan bahan menjadi dapat menjaga kelancaran produksi dan dapat
menghindari stocksout.
15.2 Sifat Permintaan
Permintaan dibedakan menjadi dependent dan independent. Permintaan dependent terjadi
pada bahan mentah atau bahan dalam proses, permintaan ini berasal dari dalam perusahaan
untuk menghasilkan barang jadi.
Permintaan independent biasanya barang jadi, berasal dari luar perusahaan, jadi tidak
tergantung kegiatan internal perusahaan dan diluar control perusahaan.
15.3 Biaya Persediaan
Biaya persediaan dikelompokkan menjadi tiga, yaitu carrying or holding costs, ordering
costs, dan shortage costs. Carrying costs adalah biaya untuk memiliki dan menyimpan
persediaan selama periode tertentu. Carrying costs dapat dinyatakan dengan dua cara.
Pertama, yang paling sering adalah menyatakannya dalam rupiah per unit persediaan per
periode waktu.
Ordering costs adalah biaya yang berhubungan dengan penambahan persediaan yang
dimiliki. Biasanya berhubungan terbalik dengan carrying costs. Biaya ini tidak terkait dengan
volume pesanan.
Shortage or stockout costs terciptanya jika permintaan tak dapat dipenuhi karena
kekosongan persediaan.
15.4 Model Persediaan
Basic Economic Order Quantity Model, model ini merupakan model yang tertua dan
paling sederhana. Model ini diturunkan dengan menggunakan beberapa asumsi, yaitu:
a. Permintaan diketahui secara pasti dan konstan
b. Tidak ada shortage
c. Lead time diketahui dan konstan
d. Sekali pesan sekali terima
e. Tidak ada potongan harga karena membeli dalam jumlah banyak.
Total carrying costs adalah perkalian antara carrying cost per unit per periode waktu, Cc,
dengan rata-rata persediaan yang dimiliki.

60
 Q+ O Q
= sehingga total carrying cost adalah
2 2
Q
Cc .
2
Total ordering cost adalah perkalian antara ordering costs perpesanan, Co, dengan
frekuensi persamaan per periode waktu yang diamati.
D D
TC=Co =Co
Q Q
Volume pesanan optimum, yaitu yang memberikan total inventory cost terendah dapat
diperoleh dengan menggunakan aturan derivative dari suatu fungsi.
Q D
TC=Cc + Cc
2 Q
TC akan minimum jika first derivate-nya terhadap volume pesanan disamakan dengan
nol.
15.5 Analisis Marginal
Pada kasus yang khas, penentuan volume pesanan dapat dilakukan melalui pendekatan lain
yang dinamakan analisis marginal. Berdasar analisis ini persediaan akan terus ditambah
selama keuntungan marginal yang diharapkan lebih besar atau sama dengan kerugian yang
diharapkan. Misalkan:
P adalah probabilitas permintaan lebih besar atau sama dengan pasokan, atau
probabilitas terjualnya satu unit tambahan 1 – p adalah probabilitas permintaan lebih
kecil dari pasokan atau probabilitas tak terjualnya satu unit tambahan
MP adalah keuntungan marginal
ML adalah kerugian marginal
p MP ≥ ( 1−p ) ML
Dengan demikian, nilai p yang akan menunjukkan volume pesanan optimum jika:
ML
p ≥=
MP+ ML
Analisis ini berlaku untuk keadaan tertentu, diantaranya adalah sekali pesan.

61
 BAB XVI
Critical Path Method dan Program Evaluation and Review
Technique
16.1 Model jaringan CPM/PERT
PERT merupakan singkatan dari Program Evaluation and Review Technique atau teknik
menilai dan meninjau Kembali program, sedangkan CPM adalah singkatan dari Critical Path
Method (metode jalur kritis) dimana keduanya merupakan suatu teknik manajemen.
Model jaringan CPM/PERT tersusun atas dua komponen utama, yaitu titik-titik
(nokhta/lingkaran) dan garis-garis (cabang/anak panah). Garis menunjukkan jenis kegiatan
dari suatu projek, sementara titik menunjukkan awal atau akhir suatu kegiatan, atau
dinamakan events.
Telah disebutkan bahwa sasaran utama analisis CPM/PERT adalah menentukan
waktu terpendek yang diperlukan untuk suatu critical path, yaitu jalur waktu terlama.
Kegiatan-kegiatan yang dilewati critical path dinamakan kegiatan kritis. Keterlambatan
penyelesatan salah satu kegiatan kritis perlu diawasi secara serius.
Analisis CPM/PERT juga bertujuan menentukan jadwal kegiatan/events yang
menerangkan kapan kegiatan/events dimulai dan berakhir. Penjadwalan itu juga digunakan
untuk menentukan critical path (sekaligus waktu minimum yang diperlukan untuk
menyelesaikan proyek) dan kegiatan apa yang dapat ditunda dan berapa lama. Waktu tercepat
merealisasikan dinamakan earliest time, penentuannya dilakukan dengan melintasi jaringan
ke arah depan. Langkah berikutnya untuk menentukan critical path adalah menghitung latest
time (LT). Latest time suatu lingkaran adalah waktu terakhir suatu lingkaran dapat direalisasi
tanpa menunda waktu penyelesaian proyek, dalam pengertian waktu minimum. Lalu,
penentuan critical path yang terakhir dapat menemui kesulitan. Cara ini menggunakan
konsep yang dinamakan slack kegiatan, yaitu waktu dimana suatu kegiatan dapat ditunda
tanpa mempengaruhi penyelesaian proyek dengan waktu minimum.
16.2 PERT
Waktu kegiatan merupakan variable random yang memiliki distribusi probabilitas. Untuk
menghadapi kasus seperti ini, PERT digunakan sebagai pengganti CPM.
PERT mengasumsikan bahwa penyelesaian kegiatan mengikuti distribusi beta,
dengan rata-rata (tij) dan varian (vij) seperti:
aij + 4 m ij + bij
tij ¿
6

bij + a2ij
Vij ¿
6
Dimana:
aij = waktu terpendek yang mungkin untuk menyelesaikan kegiatan i → j, atau optimistic
time.

62
 mij = waktu yang paling mungkin untuk menyelesaikan kegiatan i → j, atau most likely
time.
bij = waktu terlama yang mungkin untuk menyelesaikan kegiatan i → j, atau pessimistic
time.
PERT juga mengasumsikan bahwa waktu kegiatan adalah independent secara
statistic,sehingga rata-rata dan varians waktu kegiatan itu dapat dijumlahkan untuk
menghasilkan rata-rata dan varians waktu penyelesaian proyek. PERT lebih jauh
mengasumsikan bahwa terdapat cukup banyak kegiatan yang terlibat dalam proyek sehingga
rata-rata dan varians waktu penyelesaian proyek, sesuai dengan central limit theorem,
mengikuti distribusi normal.

63
 BAB XVII
Simulasi
17.1 Proses Monte Carlo
Ada dua jenis simulasi. Pertama, simulasi analog artinya mengganti lingkungan fisik yang
asli dengan lingkungan fisik tiruan yang lebih mudah uuntuk memanipulasi. Kedua, simulasi
matematika artinya meniru system dengan model matematika untuk mendapatkan operating
characteristics system melalui suatu eksperimen.
Istilah Monte Carlo berarti Teknik memilih angka secara random dari distribusi,
probabilitas untuk menjalankan simulasi. Jadi Monte Carlo bukanlah jenis simulasi,
melainkan suatu teknik yang digunakan dalam simulasi.
Tujuan proses Monte Carlo adalah untuk memunculkan variable random melalui
sampling dari distribusi probabilitas itu, yang dapat dilakukan dengan memutar roda rolet
yang disekat menjadi lima bagian sesuai dengan probabilitas.
Teknik simulasi Monte Carlo terbagi menjadi lima langkah sederhana, yaitu:
1) Menetapkan suatu distribusi probabilitas bagi variable penting.
2) Membuat distribusi probabilitas kumulatif bagi setiap variable.
3) Menetapkan sebuah interval angka acak bagi setiap variable.
4) Membangkitkan angka acak.
5) Menyimulasikan serangkaian percobaan.

64
 17.2 Simulasi Sistem Tak Terstruktur
Karena beberapa alasan, seperti kerumitan atau hubungan probabilistik, sistemnya tidak dapat
disederhanakan dalam model matematik.  Solusi masalah tak terstruktur ini akan cocok jika
dicari melalui simulasi. 
Contoh Soal
Catatan masa lalu menunjukkan bahwa sebuah posko keamanan menerima panggilan
darurat antara 0 sampai 6 per hari dengan distribusi probabilitas seperti berikut.

Petugas keamanan membedakan setiap panggilan itu ke dalam 3 kelompok, yaitu jika
tergolong ringan di kirim 2 petugas, sedang di kirim 3 petugas, berat dikirim 5 petugas dan
simulasi panggilan darurat yang di terima posko keamanan itu selama 10 hari. Distribusi
probabilitas panggilan menurut kelompok adalah sebagai berikut.

Langkah Penyelesaian
1. Menyusun interval angka random yang sesuai dengan distribusi probabilitas.
a. tabel simulasi banyaknya panggilan:

b. tabel simulasi jenis panggilan:

65
 2. Menyusun tabel simulasi selama 10 hari dengan menggunakan angka random.

Hasil simulasi menunjukan bahwa:

N Rata-rata panggilan darurat ringan sehari = 10/10 = 1
N Rata-rata panggilan darurat sedang sehari = 12/10 = 1,2
N Rata-rata panggilan darurat berat sehari = 5/10 = 0,5
N Jumlah maksimum petugas yang perlu disiapkan adalah 14 

66
 17.3 Analisis Persediaan dengan Simulasi
Asumsi yang dipakai pada Basic Economic Order Quality Model sangat membatasi
penerapannya. Dalam praktik, permintaan dan lead time biasanya tak diketahui secara pasti
atau kedua variable itu memiliki suatu probabilitas distribusi, karena itu analisisnya dengan
teknik yang menjadi sulit.
Pengamatan penjualan dari sebuah toko elektronik selama 30 hari dan lead time untuk
50 kali pesanan terakhir ditunjukkan pada table berikut:

Probabilitas Interval angka

Penjualan Frekuensi Probabilitas
Kumulatif random

0 15 0.05 0.05 00 - 04
1 30 0.1 0.15 05 - 14
2 60 0.2 0.35 15 - 34
3 120 0.4 0.75 35 - 74
4 45 0.15 0.9 75 - 79
5 30 0.1 1.0 90 - 99
300 hari 1.1

Probabilitas Interval Angka

Lead Time Frekuensi Probabilitas
Kumulatif Random

1 10 0.2 0.2 00 - 19
2 25 0.5 0.7 20 - 69
3 15 0.3 1.0 70 - 99
50 0.1

Berikutnya adalah cara menyimulasikan masalah ini untuk 10 hari kerja jika jumlah
setiap pesanan adalah 10, reader point adalah 5 dan persediaan awal adalah 12.
Pesanan Stock Angka Stock Stock out Perlu Angka
Hari ke Penjualan Lead Time
Diterima Awal Random Akhir perlu pesan? Alasan Random
1 - 12 76 4 8 - tidak - -
2 - 8 23 2 6 - tidak - -
3 - 6 47 3 3 - ya 25 2
4 - 3 79 4 0 1 tidak* - -
5 - 0 08 1 0 1 tidak* - -
6 10** 10 15 2 8 - tidak - -
7 - 8 71 3 5 ya 58 2 -
8 - 5 56 3 2 - tidak* - -
9 - 2 31 2 0 0 tidak* - -
10 10** 10 11 1 9 - tidak - -
Jumlah 41 2

Keterangan:
* Selama menunggu datangnya kiriman belum diperkenankan pesan lagi
** Lead time 2 berarti pesanan pada hari ke 3 akan datang pada hari ke 6 dan pesanan
pada hari ke 7 akan dating pada hari ke 10.
Hasil simulasi adalah:

67
 N Rata-rata stock akhir = 41/10 = 4,1 unit per hari
N Rata-rata stockout = 2/10 = 0,2 unit per hari
N Frekuensi pesanan = 2 kali dalam sepuluh hari atau lima hari sekali atau 0,2 kali per
hari

17.4 Simulasi dalam Analisis Antrian

Model antrian yang dibahas sebelumnya perlu asumsi-asumi yang sulit dipenuhi. Jika mereka
tak dipenuhi sementara bentuk distribusi kedatangan dan waktu pelayanan tak diketahui,
maka sangat sulit menemukan rumusan operating characteristic-nya. Jika ini kasusnya,
simulasi terkadang menjadi satu-satunya cara yang dapat menawarkan solusi. Operating
characteristics seperti rata-rata panjang antrian, rata-rata waktu menunggu dan rata-rata
waktu dalam system dapat ditemukan dengan simulasi Monte Carlo.
17.5 Penciptaan Angka Random
Angka random yang digunakan selama ini berasal dari table angka random. Angka random
itu diciptakan dengan menggunakan suatu teknik numerik, sehingga mereka bukan angka
random murni melainkan pseudo random numbers. Angka random murni hanya dapat
diciptakan melalui suatu proses fisik, seperti pemutaran roda rolet.
Jika angka random tidak murni random, validitas hasil simulasi dapat terpengaruh.
Karena itu angka random harus berciri seperti, Pertama, angka random memiliki distribusi
uniform artinya setiap angka punya kesempatan yang sama untuk terpilih. Jika tidak, hasil
simulasi akan bias. Keduan, teknik numerik untuk menciptakan angka random harus efisien
artinya proses berjalan cepat dan murah dan angka yang telah muncul dapat muncul lagi
setelah periode yang lama. Ketiga, urutan angka random semestinya tidak menunjukkan pola
tertentu.
17.6 Bidang Penerapan Simulasi
Dalam jaringan PERT waktu kegiatan diasumsikan mengikuti distribusi beta. Jika data
empiris menunjukan bahwa waktu kegiatan mengikuti distribusi lainnya, model jaringan
dapat diselesaikan dengan simulasi.
Simulasi adalah suatu cara mencari solusi, yang biasanya hasilnya tidak optimum. Umumnya,
hasil solusi berupa operating characteristics dari suatu system namun, quasi-optimal solution
terkadang dapat diperoleh dari model simulasi melalui search techniques.

68
 BAB XVIII
Analytical Hierarchy Process
1. Dasar-Dasar AHP
Analitycal Hierarchy Process (AHP) Adalah metode untuk memecahkan suatu situasi yang
komplek tidak terstruktur kedalam beberapa komponen dalam susunan yang hirarki, dengan
memberi nilai subjektif tentang pentingnya setiap variabel secara relatif, dan menetapkan
variabel mana yang memiliki prioritas paling tinggi guna mempengaruhi hasil pada situasi
tersebut.

Dalam menyelesaikan persoalan dengan AHP ada beberapa prinsip yang harus
dipahami, di antaranya:
Decomposition
Setelah persoalan didefinisikan, maka perlu dilakukan decomposition yaitu memecah
persoalan yang utuh menjadi unsur-unsurnya. Jika ingin mendapatkan hasil yang akurat,
pemecahan juga dilakukan terhadap unsur-unsurnya sampai tidak mungkin dilakukan
pemecahan lebih lanjut, sehingga didapatkan beberapa tingkatan dari persoalan tadi. Karena
alasan ini, maka proses analisis ini dinamakan hirarki (hierarchy). Ada dua jenis hirarki yaitu
lengkap dan tak lengkap. Dalam hirakri lengkap, semua elemen pada suatu tingkat memiliki

69
 semua elemen yang ada pada tingkat berikutnya. Jika tidak demikian, dinamakan hirarki tak
lengkap
Comparative Judgment
Prinsip ini berarti membuat penilaian tentang kepentingan relatif dua elemen pada
suatu tingkat tertentu dalam kaitannya dengan tingkat diatasnya. Penilaian ini merupakan inti
dari AHP, karena ia akan berpengaruh terhadap prioritas elemen- elemen. Hasil dari penilaian
ini akan tampak lebih baik bila disajikan dalam bentuk matriks yang dinamakan matriks
pairwise comparison. Pertanyaan yang biasa diajukan dalam penyusunan skala kepentingan
adalah:
a. Elemen mana yang lebih (penting/disukai/mungkin/…)?, dan
b. Berapa kali lebih (penting/disukai/mungkin/…)?
Agar diperoleh skala yang bermanfaat ketika membandingkan dua elemen, seseorang
yang akan memberikan jawaban perlu pengertian menyeluruh tentang elemen-elemen yang
dibandingkan dan relevansinya terhadap kriteria atau tujuan yang dipelajari. Dalam
penyusunan skala kepentingan ini, digunakan acuan seperti pada tabel berikut:

Tingkat
Definisi Keterangan
Kepentingan

Kedua elemen sama Dua elemen mempunyai pengaruh

1
pentingnya sama besar.

Elemen yang satu

Pengalaman dan penilaian sedikit
3 sedikit lebih penting
menyokong satu elemen.
daripada yang lainnya

Elemen yang satu lebih Pengalaman dan penilaian dengan

5 penting daripada yang kuat menyokong satu elemen
lainnya dibanding elemen lainnya.

Satu elemen jelas lebih

Satu elemen yang kuat disokong dan
7 penting dari elemen
dominan terlihat dalam kenyataan.
lainnya

Bukti yang mendukung elemen yang

Satu elemen mutlak
satu terhadap elemen lain memiliki
9 lebih penting dari
tingkat penegasan tertinggi yang
elemen lainnya
menguatkan.

Nilai-nilai di antara dua

Nilai ini diberikan bila ada dua
2,4,6,8 pertimbangan yang
komponen di antara dua pilihan.
berdekatan

Jika untuk aktifitas ke-imendapat

suatu angka bila dibandingkan
Kebalikan dengan aktivitaske-j,
maka jmempunyai nilai kebalikannya
dibanding dengan i.

Dalam penilaian kepentingan relatif dua elemen berlaku aksioma reciprocal artinya
jika elemen i dinilai 3 kali lebih penting daripada j, maka elemen j harus sama dengan 1/3
kali pentingnya dibanding elemen i. Disamping itu perbandingan dua elemen yang sama akan
menghasilkan angka 1, artinya sama pentingnya.

70
 Synthesis of Priority
Dari setiap pairwise comparison kemudian dicari eigen vector-nya untuk
mendapatkan local priority. Karena matriks pairwise comparison terdapat pada setiap
tingkat, maka untuk mendapatkan global priority harus dilakukan sintesa diantara local
priority. Prosedur melakukan sintesis berbeda menurut bentuk hirarki. Pengurutan elemen-
elemen menurut kepentingan relatif melalui prosedur sintesa dinamakan priority setting.
Logical Consistency
Konsistensi memiliki dua makna. Pertama adalah bahwa objek-objek yang serupa
dapat dikelompokkan sesuai dengan keseragaman dan relevansi. Kedua adalah menyangkut
tingkat hubungan antara objek-objek yang didasarkan pada kriteria tertentu.
1. Hubungan Prioritas AS sebagai Eigen Vector terhadap Konsistensi
Terdapat banyak cara untuk mencari vektor prioritas dari matriks pairwise comparison.
Tetapi penekanan pada konsistensi menyebabkan digunakan rumus eigen value.
Diketahui elemen-elemen dari suatu tingkat dalam suatu hirarki adalah C1, C2, …, Cn
dan bobot pengaruh mereka adalah w1, w2, …, wn. Misalkan aij = wi/wj menunjukkan
kekuatan Ci jika dibandingkan dengan Cj. Matriks dari angka-angka aij ini dinamakan matriks
pairwise comparison, yang diberi simbol A. Telah disebutkan bahwa A adalah matriks
reciprocal, sehingga aij = Jika penilaian kita sempurna pada setiap perbandingan, maka a ij =
aij, ajk untuk semua i, j, k dan matriks A dinamakan konsisten.
aij = wi/wj dimana i, j = l, …, n
aij(w/wi) = 1 dimana i, j = l, …, n konsekuensinya,
n

∑ aij . w j . w1 =n dimana i = 1, …, n atau

j=1 i

∑ aij . w j=n w, dimana i = 1, …, n. dalam bentuk matriks: Aw = nw

j=1

Rumus ini menunjukkan bahwa w merupakan eigen vector dari matriks A dengan
eigen value n.
Jika aij tidak didasarkan pada ukuran pasti (seperti Wi, ..., Wn), tetapi pada penilaian
subjektif, maka aij akan menyimpang dari rasio Wi/wj yang sesungguhnya, dan akibatnya
aw = nw tak dipenuhi lagi. Dua kenyataan dalam teori matriks memberikan kemudahan.
Pertama jika zi, …, zn adalah angka-angka yang memenuhi persamaan Aw = Zw di
mana Z merupakan eigen value dari matriks A, dan jika aij = I untuk semua i, maka:
n

∑ Z i=n
i=1

Kedua adalah bahwa jika salah satu aij dari matriks reciprocal A berubah sangat
kecil, maka eigen value juga berubah sangat kecil. Kombinasi keduanya menjelaskan bahwa
jika diagonal matriks A terdiri dari aij = 1 dan jika A konsisten, maka perubahan kecil pada
aij menahan eigen value terbesar, Z mak, dekat ke n, dan eigen value sisanya dekat ke nol.

71
 Karena itu persoalannya adalah jika A merupakan matriks pairwise comparison, untuk
mencari vector prioritas, harus dicari w yang memenuhi.

Aw = Z mak. W
2. AHP untuk Memilih Portfolio
Mathematical programming dapat digunakan untuk membantu menyelesaikan masalah
kombinasi investasi. Model yang dipakai tentu saja dipilih yang sesuai dengan masalah yang
sedang dihadapi.
AHP menawarkan suatu cara untuk memilih portofolio. Cara ini cukup membutuhkan intuisi
untuk Menyusun hierarki yang bertujuan memilih portofolio dan unruk membandingkan
factor atau kriteria yang digunakan.
3. AHP Untuk Analisis Manfaat Biaya
Analisis manfaat biaya dapat dipergunakan untuk beberapa keperluan, misalnya:
N Memutuskan apakah suatu proyek seharusnya dilaksanakan.
N Memilih alokasi sumber daya yang paling produktif, yaitu proyek dengan rasio
manfaat biaya tertinggi dan lebih dari satu.
Persoalan analisis yang didasarkan pada rasio manfaat biaya ini adalah bahwa sering
kali ada manfaat atau biaya-biaya, baik yang bersifat ekonomi maupun non ekonomi. Untuk
mengatasi masalah ini, AHP menawarkan teknik alternatif dalam analisis manfaat biaya. Jika
AHP akan digunakan untuk analisis manfaat biaya, perlu dibentuk dua hierarki. Pertama,
hierarki yang berhubungan dengan evaluasi manfaat dari alternatif yang tersedia dengan
kriteria yang digunakan. Kedua, hierarki yang berhubungan dengan evaluasi biaya.

72