LAPORAN HASIL SURVEI

Penerapan Teori Graph untuk Pendistribusian Olahan Limbah Plastik di

PT. Tri Surya Platik Kabupaten Malang dengan Menerapkan Metode
Minimum Cost Flow

OLEH
BELLA SEPTIANDARI PUTRI (190312617721)
HERNOWO WIDHI WICAKSONO (190312617704)

UNIVERSITAS NEGERI MALANG

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI MATEMATIKA
MEI 2022

1
 LEMBAR PENGESAHAN

Laporan ini diajukan oleh :

Penyusun I : Bella Septiandari Putri

NIM : 190312617721
Program Studi : S1 Matematika

Penyusun II : Hernowo Widhi Wicaksono

NIM : 190312617704
Program Studi : S1 Matematika

Disetujui oleh:

Pembimbing,

Ditetapkan di : ………………

Tanggal : ………………

i
 ABSTRAK

Masalah distribusi dapat digambarkan sebagai suatu digraph yang

memuat beberapa sisi berarah dan titik. Lokasi perusahaan serta lokasi industri
tujuan sebagai titik, sedangkan setiap jalan yang menghubungkan setiap tempat
dan memiliki arah atau arus tertentu sebagai sisi berarah. Sehingga bisa
digambarkan dalam diagram alir untuk menyelesaikan permasalahan suatu
distribusi perusahaan.
Perusahaan olahan limbah plastik contohnya, perusahaan tersebut
mengirimkan olahan limbah plastik dan beberapa kertas karton kebeberapa
tempat industri serta kebeberapa pengecer grosir lainnya. Perusahaan tersebut
memiliki permasalahan pada biaya distribusi yang terbilang cukup besar,
sehingga biaya yang dikeluarkan kurang optimal. Oleh karena itu untuk
meminimkan biaya dalam pendistribusian produk, dapat menggunakan
penerapan teori graph yaitu dengan metode Minimum Cost Flow.
Penyelesaian masalah dengan metode Minimum Cost Flow untuk
observasi ini, diselesaikan dengan Algoritma Jaringan Simpleks, Algoritma
Successive Shortest Path, dan Algoritma Capacity Scaling. Perhitungan ketiga
algoritma tersebuat secara manual serta dengan alat bantu program Giden. Hasil
dari observasi pada pabrik plastik ini, diperoleh biaya minimum dalam
pendistribusiannya sebesar 2.848.778 untuk mendistribusikan 29221 kg produk
olahan platik. Produk olaahn limbah plastik didistribusikan ke 9 titik tempat
tujuan. Dengan diperoleh rute pendistribusian optimum dari Pusat → Pasuruan,
Pasuruan → Porong, Pusat → Bangil, Pusat → Malang, Pusat → Singosari, Pusat
→ Kudus, Pusat → Mojokerto, Pusat → Probolinggo, Pusat → Surabaya.

ii
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat dan
rahmat-Nya, kami dapat menyelesaikan tugas ini. Tugas ini dilakukan dalam rangka
untuk memenuhi tugas Penerapan Teori Graf. Kami menyadari, tanpa bantuan dan
bimbingan dari berbagai pihak, sangatlah sulit bagi kami untuk menyelesaikan tugas
ini. Oleh karena itu, kami mengucapkan terima kasih kepada:

1) selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan pikiran
untuk mengarahkan kami dalam menyelesaikan tugas ini;
2) pihak PT. Tri Surya Plastik yang telah banyak membantu dalam usaha
memperoleh data yang kami perlukan.

Akhir kata, kami berharap Tuhan Yang Maha Esa berkenan membalas segala kebaikan
semua pihak yang telah membantu. Semoga tugas ini membawa manfaat bagi
perkembangan ilmu dan teknologi.

Penyusun I, Penyusun II,

Bella Septiandari Putri Hernowo Widhi Wicaksono

NIM. 190312617721 NIM. 190312617704

iii
 DAFTAR ISI

LEMBAR PENGESAHAN ....................................................................................... i

ABSTRAK ................................................................................................................ ii

KATA PENGANTAR ............................................................................................. iii

DAFTAR ISI ............................................................................................................ iv

BAB I ......................................................................................................................... 1

PENDAHULUAN ..................................................................................................... 1

1.1 Latar Belakang .............................................................................................. 1

1.2 Rumusan Masalah ......................................................................................... 2

1.3 Tujuan ........................................................................................................... 3

BAB II ....................................................................................................................... 4

TINJAUAN PUSTAKA ............................................................................................ 4

2.1 Graph dan Digraph ........................................................................................ 4

2.2 Graph Berbobot (Weighted Graph) ................................................................ 5

2.3 Digraph Berbobot (Weighted Digraph) ............................................................. 6

2.4 Minimum Cost Flow...................................................................................... 7

2.5 Jaringan ......................................................................................................... 8

2.6 Algoritma Simpleks ....................................................................................... 8

2.7 Algoritma Lintasan Terpendek Berulang ....................................................... 8

2.8 Algoritma Capacity Scaling ........................................................................... 9

2.9 Algoritma Cost Scaling................................................................................ 11

2.10 Algoritma Relaksasi .................................................................................... 13

2.11 Algoritma Penghapusan Sikel ...................................................................... 15

2.12 Algoritma Shortest Augmenting Path .......................................................... 15

iv
 2.13 Penelitian Terdahulu .................................................................................... 16

BAB III .................................................................................................................... 20

METODOLOGI ..................................................................................................... 20

3.1 Pemodelan ................................................................................................... 20

3.2 Algoritma yang Digunakan .......................................................................... 20

3.2.1 Algoritma Simpleks .............................................................................. 20

3.2.2 Algoritma Lintasan Terpendek Berulang ............................................... 21

3.2.3 Algoritma Capacity Scaling .................................................................. 21

3.3 Alat Bantu Program ..................................................................................... 23

BAB IV .................................................................................................................... 26

HASIL DAN PEMBAHASAN ............................................................................... 26

4.1 Objek Survey Lapangan .............................................................................. 26

4.2 Narasi .......................................................................................................... 26

4.3 Penyelesaian Masalah dengan Algoritma ..................................................... 29

4.4 Faktor Penunjang dan Faktor Penghambat Survey Lapangan ....................... 88

BAB V ..................................................................................................................... 89

KESIMPULAN DAN SARAN ............................................................................... 89

5.1 Kesimpulan ................................................................................................. 89

5.2 Saran ........................................................................................................... 91

DAFTAR PUSTAKA.............................................................................................. 92

LAMPIRAN ............................................................................................................ 94

v
vi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pokok bahasan mengenai teori graph merupakan teori yang banyak sekali
penerapannya. Graph merupakan teori yang merepresentasikan objek-objek
diskrit serta hubungan diantaranya. Graph banyak berhubungan dengan
kehidupan nyata. Selain untuk merepresentasikan masalah jembatan
Konigsberg, graph juga dimanfaatkan untuk merepresentasikan suatu model
jaringan. Suatu model jaringan tersebut dapat direpresentasikan dalam
permasalahan pendistribusian. Distribusi itu sendiri merupakan suatu
penyelenggaraan kegiatan usaha yang tercakup dalam pengangkutan
barang/produk dari tempat pengolahan ke tempat penjualan (Dewil et al., 2015).
Dalam hal ini, suatu dsitribusi menjadi sangat penting karena merupakan jalan
untuk mencapai keberhasilan penjualan, dan kepuasan pelanggan (Chassein and
Kinscherff, 2019). Kepuasan pelanggan dapat disebabkan karena harganya yang
terjangkau sesuai kualitas produk, pemaketan yang aman, tepat waktu, serta
cepat sampainya ke pelanggan.
Masalah distribusi dapat digambarkan sebagai suatu digraph yang
memuat beberapa sisi berarah dan titik. Lokasi perusahaan serta lokasi industri
tujuan sebagai titik, sedangkan setiap jalan yang menghubungkan setiap tempat
dan memiliki arah atau arus tertentu sebagai sisi berarah. Sehingga bisa
digambarkan dalam diagram alir untuk menyelesaikan permasalahan suatu
distribusi perusahaan.
Sekarang ini banyak barang/produk yang didistribusikan untuk
kebutuhan. Suatu perusahaan dapat mendistribusikan produknya ke beberapa
tempat industri atau ke pelanggannya. Perusahaan olahan limbah plastik
contohnya, perusahaan tersebut mengirimkan olahan limbah plastik dan
beberapa kertas karton kebeberapa tempat industri serta kebeberapa pengecer
grosir lainnya. Perusahaan tersebut memberikan harga produk yang cukup baik,
sehingga dapat dikatakan dalam penjualannya memiliki keberhasilan. Terbukti

1
 memiliki beberapa langganan. Namun dalam pengirimannya membutuhkan
biaya yang terbilang cukup besar ke masing-masing pelanggannya. Sehingga
distributor plastik mengalami sedikit masalah dalam pengirimannya. Oleh
karena itu untuk menekan biaya dalam pendistribusian produk, dapat
menggunakan penerapan teori graph yaitu dengan metode Minimum Cost Flow.
Minimum Cost Flow merupakan model permasalahan pencarian biaya
yang digunakan dalam pendistribusian suatu barang atau produk dari produsen
ke konsumen dalam suatu aliran jaringan (Zhang et al., 2022). Penyelesaian
masalah dengan metode Minimum Cost Flow, dapat menentukan arus distribusi
dengan biaya minimum. Minimum Cost Flow berkorespondensi dengan masalah
distribusi produk yang bertujuan untuk meminimumkan biaya distribusi produk,
dalam kasus ini yaitu produk olahan limbah plastik.
Terdapat beberapa algoritma dalam menyelesaikan permasalahan
Minimum Cost Flow . Antara lain, Algoritma Successive Shortest Path
Algoritma Capacity Scaling, dan Algoritma Jaringan Simpleks. Dengan metode
ini, diharapkan dapat membantu meminimalkan biaya pendistribusian di
perusahaan olahan limbah plastik tersebut.

1.2 Rumusan Masalah

1. Bagaimana menentukan biaya minimum dalam pendistribusian olahan

limbah plastik dengan menerapkan Minimum Cost Flow ?
2. Algoritma apa saja yang dapat digunakan untuk menyelesaikan masalah
Minimum Cost Flow pada pendistribusian olahan limbah plastik ?
3. Bagaimana serta solusi optimal dari menerapkan Algoritma Successive
Shortest Path, Algoritma Capacity Scaling, dan Algoritma Jaringan Simpleks
pada pendistribusian olahan limbah plastik ?
4. Bagaimana penyelesaian algoritma-algoritma dengan alat bantu program
guna memberikan solusi alternatif pada permasalahan pendistribusian olahan
limbah plastik dengan biaya minimum ?

2
1.3 Tujuan

1. Mengidentifikasi permasalahan yang ada dalam pendistribusian olahan

limbah plastik.
2. Mengetahui algoritma-algoritma apa saja yang dapat digunakan pada
permasalahan Minimum Cost Flow.
3. Mengetahui cara serta hasil penyelesaian yang optimal dari menerapkan
algoritma-algoritma Minimum Cost Flow guna meminimumkan biaya
pendistribusian olahan limbah plastik.
4. Mengetahui penyelesaian algoritma dengan mengunakan alat bantu program.

3
 BAB II

TINJAUAN PUSTAKA

2.1 Graph dan Digraph

Graph merupakan himpunan dari benda benda yang disebut simpul (vertex atau
node) yang terhubung oleh sisi ( edge) atau busur (arc). Biasanya graph
digambarkan sebagai kumpulan titik-titik (melambangkan simpul) yang
dihubungkan oleh garis-garis (melambangkan sisi) atau garis berpanah
(melambangkan busur) (Arga, 2021). Berdasarkan Buku “Discrete And
Combinatorial Mathematics” oleh (Rosen and Michaels, 2000), suatu graph G
didefinisikan sebagai pasangan himpunan (V,E), dimana V = himpunan yang
berisikan simpul pada graph tersebut {𝑣1 , 𝑣2 , … 𝑣𝑛 } dan E adalah himpunan sisi
yang menghubungkan simpul-simpul {𝑒1 , 𝑒2 , … 𝑒𝑛 }. Secara mudahnya dapat ditulis
dengan notasi G = (V,E).

Pada suatu graph, dua atau lebih sisi yang menghubungkan pasangan titik yang
sama adalah multiple edges. Sebuah sisi yang menghubungkan sebuah titik dengan
dirinya sendiri disebut loop. Suatu graph yang tidak memuat multiple edges (sisi
rangkap) atau loop disebut graph sederhana.

Berdasarkan arah sisinya, graph terbagi menjadi dua jenis , antara lain : (Karp,
1990)
1. Graph Tak Berarah
Graph Tak Berarah (Undirected Graph) merupakan graph yang memiliki
setiap sisi tidak berarah.

Gambar 2.1 Graph Tak Berarah

4
 Pada gambar 2.1 menunjukkan bahwa graph tidak berarah denagn himpunan
simpul V(G) = {𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 , 𝑣5 }, dan himpunan sisinya E(G) =
{𝑒1 , 𝑒2 , 𝑒3 , 𝑒4 , 𝑒5 , 𝑒6 }. Sehingga didapatkan pasangan terurut dari {(𝑣1 , 𝑣2 ),
(𝑣2 , 𝑣3 ), (𝑣3 , 𝑣4 ), (𝑣4 , 𝑣5 ), (𝑣5 , 𝑣1 ), (𝑣5 , 𝑣2 )}.
2. Graph Berarah (Digraph)
Buku “Graphs And Applications : An Introductory Approach” oleh Joan M.
Aldous dan Robin J. Ribson, pada Digraph , dua atau lebih sisi berarah
terhubung dengan pasangan titik yang sama pada arah yang sama yang
merupakan multiple arcs. Loop pada graph adalah sisi berarah yang simpul
awal dan simpul akhir yang sama. Graph Berarah (Directed Graph)
merupakan graph yang memiliki setiap sisi berarah denga titik awal suatu sisi
disebut simpul awal (initial vertex) sedangkan titik akhir dari suatu sisi
disebut simpul akhir (terminal vertex).

Gambar 2.2 Graph Berarah atau Digraph

Digraph pada gambar 2.2 menunjukkan graph berarah dengan himpunan
simpul V(G) = {𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 , 𝑣5 }, dan himpunan busur A(G) =
{𝑎1 , 𝑎2 , 𝑎3 , 𝑎4 , 𝑎5 , 𝑎6 }. Sehingga didapat pasangan terurut dari {(𝑣1 , 𝑣2 ),
(𝑣2 , 𝑣3 ), (𝑣3 , 𝑣4 ), (𝑣4 , 𝑣5 ), (𝑣5 , 𝑣1 ), (𝑣2 , 𝑣5 )}.

2.2 Graph Berbobot (Weighted Graph)

Berdasarkan Buku “Discrete And Combinatorial Mathematics” oleh

(Rosen and Michaels, 2000), graph berbobot adalah graph yang setiap sisinya
diberi sebuah harga. Bobot pada tiap sisi dapat berbeda-beda bergantung pada
masalah yang dimodelkan dengan graph. Bobot dapat menyatakan jarak antara
dua buah tiang listrik, kapasitas, biaya perjalanan antara dua buah kota, waktu

5
 tempuh pesan (message) dari sebuah simpul komunikasi ke simpul komunikasi
lain, ongkos produksi, dan sebagainya. (Király and Kovács, 2012)
Lebih jelasya dapat dilihat pada gambar 2.3 berikut.

Gambar 2.3 Graph Berbobot (Weighted Graph)

2.3 Digraph Berbobot (Weighted Digraph)

Berdasarkan Buku “Discrete And Combinatorial Mathematics” oleh

(Rosen and Michaels, 2000), suatu digraph D = (V,A) dikatakan digraph
berbobot (weighted digraph) jika setiap sisi berarah pada digraph D diberikan
bobot jika (𝑣𝑖 , 𝑣𝑗 ) adalah sisi berarah pada digraph D = (V,A) maka bobot
(𝑣𝑖 , 𝑣𝑗 ) dilambangkan dengan w  (𝑣𝑖 , 𝑣𝑗 ).

Gambar 2.4 Digraph Berbobot (Weighted Graph)

w(a,b) = 2
w(a,e) = 2
w(b,c) = 2
w(b,e) = 3
w(c,d) = 3
w(c,a) = 3
w(c,e) = 2
w(e,d) = 3
6
2.4 Minimum Cost Flow

Minimum Cost Flow merupakan model permasalahan pencarian

biaya yang digunakan dalam pendistribusian suatu barang atau produk dari
produsen ke konsumen dalam suatu aliran jaringan. Minimum Cost Flow
problem merupakan permasalahan yang mencari biaya minimum untuk
mengirimkan suatu barang / objek dari suatu titik s ke titik t. Titik s disebut
dengan titik sumber (supply), sedangkan titik t disebut titik tujuan
(demand). Minimum Cost Flow problem adalah penentuan arus distribusi
agar biaya yang dikeluarkan minimum. (Battarra et al., 2009)

Berdasarkan Buku “Discrete And Combinatorial Mathematics” oleh

(Rosen and Michaels, 2000) , Minimum Cost Flow adalah suatu graph
G=(V,E) yang merupakan jaringan terhubung dengan himpunan titik V dan
himpunan sisi berarah E yang maisng-masing sisi (i,j) ∈ E mempunyai cost
( 𝑐𝑖𝑗 ) dan capacity (𝑢𝑖𝑗 ) ≥ 0. Masing -masing titik 𝑖 ∈ 𝑉 mempunyai bobot
titik dan disimbolkan 𝑏(𝑖) yang menunjukkan bahwa titik supply (pemberi)
atau titik demand (penerima/tujuan). Jika 𝑏(𝑖 ) < 0 ,maka 𝑖 adalah titik
demand (penerima/tujuan), jika 𝑏(𝑖 ) > 0 , maka 𝑖 adalah titik supply
(pemberi).

Berdasarkan Buku “Discrete And Combinatorial Mathematics” oleh

(Rosen and Michaels, 2000), bentuk formulasi dari Minimum Cost Flow
dapat dinyatakan sebagai berikut:

Minimum

𝑧 = ∑(𝑖,𝑗)∈𝐴 𝑐𝑖𝑗 𝑥𝑖𝑗 (1a)

Dimana ,

Kendala keseimbangan massa

7
 ∑{𝑗:(𝑖,𝑗)∈𝐴} 𝑥𝑖𝑗 − ∑{𝑗:(𝑗,𝑖)∈𝐴} 𝑥𝑖𝑗 = 𝑏(𝑖 ), ∀𝑖 ∈ 𝐴 (1b)

Kendala kapasitas

0 ≤ 𝑥𝑖𝑗 ≤ 𝑢𝑖𝑗 , ∀(𝑖, 𝑗) ∈ 𝐴 (1c)

Pada persamaan (1b) sebagai kondala konservasi aliran, dan (1c)

sebagai Batasan kapasitas. Sebuah vector solusi x disebut feasible (layak)
jika memenuhi semua kendala yang didefinisikan dalam (1b) dan (1c). serta
disebut optimal jika juga meminimalkan total biaya aliran (1a). Dengan kata
lain, 𝑧 merupakan biaya total yang diperoleh dari Minimum Cost Flow
Problem.

2.5 Jaringan

Jaringan (dilambangkan N) adalah digraph sederhana , berbobot, jika

memenuhi
a. Satu titik yang merupakan titik sumber , tidak memiliki sisi masuk
b. Satu titik yang merupakan titik tujuan, tidak memiliki sisi keluar

2.6 Algoritma Simpleks

Berikut ini adalah Algoritma Jaringan Simplek :

1. Pilih sebarang spanning tree (T)
2. Cari aliran 𝑥𝑖𝑗 dan potensial titik Π
3. Jika ada arc non basis (non tree) melanggar komplementary slackness
kondisi optimal, pilih untuk masuk tree dan keluarkan arc basis dengan
𝑥𝑖𝑗 yang bila ditambahkan ke kapasitasnya menjadi batas atas.
4. Ulangi langkah 2 sampai tidak ada arc yang melanggar complementary
slackness kondisi optimal.

2.7 Algoritma Lintasan Terpendek Berulang

8
 Algoritma Lintasan Terpendek Berulang merupakan salah satu
metode lain dalam menyelesaikan masalah optimasi model jaringan.
Algoritma Lintasan Terpendek Berulang didasarkan dari kondisi optimal
jaringan sisaan, dimulai dengan digraph awal yang telah disederhanakan
dan berturut-turut mencari lintasan terpendek sampai muatan pada titiknya
bernilai nol.
Berikut ini adalah Algoritma Lintasan Terpendek Berulang :
1. Cari lintasan dari s ke t pada jaringan kerja.
2. Cari sebarang lintasan terpendek dari s ke t sebut P
3. Cari δ=min{b(s),-b(t), min{𝑟𝑖𝑗 I (i,j) є P}}
4. Kurangi 𝑢𝑖𝑗 pada lintasan terpendek P dengan δ
5. Ulangi langkah 2 sampai b(s) dan b(t) sama dengan nol.

2.8 Algoritma Capacity Scaling

Algoritma scaling biasanya memecahkan serangkaian versi

perkiraan masalah asli dan tingkat perkiraan secara bertahap meningkat .
algoritma Capacity Scaling memperkirakan kapasitas busur (arc) ke
berbagai tingkat akurasi secara bertahap, yang disebut fase scaling
(penskalaan). Setiap fase scaling memiliki nilai ∆ dari suatu parameter.
Dalam fase scaling ∆ , menyatakan kapasitas busur (arc) dengan 𝑢𝑖𝑗 (∆) dan
mendefinisikan sesuai dengan rumus berikut .(Ahuja and Orlin, 1995)
𝑢𝑖𝑗
𝑢𝑖𝑗 (∆) = [ ] ∆ 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑡𝑖𝑎𝑝 𝑏𝑢𝑠𝑢𝑟 (𝑖, 𝑗) ∈ 𝐴
∆
Dengan kata lain, kita dapat mendefinisikan 𝑢𝑖𝑗 sebagai kelipatan
terbesar dari ∆ yang kurang dari atau sama dengan 𝑢𝑖𝑗 . Untuk contohnya,
jika 𝑢𝑖𝑗 = 13, maka 𝑢𝑖𝑗 (16) = 0; 𝑢𝑖𝑗 (8) = 8 ; 𝑢𝑖𝑗 (4) = 12; 𝑢𝑖𝑗 (2) =
12; 𝑑𝑎𝑛 𝑢𝑖𝑗 (1) = 13 = 𝑢𝑖𝑗 .

9
Langkah- Langkah penyelesaian algoritma Capasity Scaling : (Saputri et
al., n.d.)
1. Menentukan jaringan sisa, dengan mengalirkan aliran setiap sisinya
𝑥𝑖𝑗 = 0 dan potensial setiap titiknya adalah 𝜋 (𝑖 ) = 0. Sehingga dari
jaringan sisa tersebut akan didapatkan ketakseimbangan titik 𝑒(𝑖 ), biaya
sisa 𝑢𝑖𝑗 𝜋 , dan kapasitas sisa 𝑟𝑖𝑗
2. Tentukan nilai ∆= 2|2log 𝑈 . ∆ nantinya akan menjadi banyaknya unit
yang dilirkan pada setiap lintasan yang terpilih. Jika ∆ ≥ 1 maka lanjut
ke langkah 3, jika ∆< 1 maka algoritma berhenti.
3. Apabila kapasitas sisa lebih dari atau sama dengan ∆ (𝑟𝑖𝑗 ≥ ∆ dan biaya
sisa kurang dari 0 (𝑐𝑖𝑗 𝜋 < 0) maka alirkan sebanyak 𝑟𝑖𝑗 dan update
ketakseimbangan titik 𝑒(𝑖 ), aliran 𝑥𝑖𝑗 dan kapasitas sisa 𝑥𝑖𝑗 dan lanjut ke
langkah 4. Apabila tidak terjadi kasus tersebut, maka langsung ke
langkah 4.
4. Tentukan S(∆) dan T(∆) dengan:
S(∆) merupakan himpunan titik yang mempunyai ketakseimbangan titik
sebanyak lebih dari atau sama dengan ∆ atau merupakan himpunan titik
pengirim. Sedangkan T(∆) merupakan himpunan titik yang memiliki
ketakseimbangan titik sebanyak kurang dari atau sama dengan −∆ atau
merupakan himpunan titik penerima.
S(∆) = {i∈ N: e(i) ≥ ∆}
T(∆) = {i ∈ N: e(i) ≤ −∆}
Apabila S(∆) ≠ ∅ dan T(∆) ≠ ∅ maka lanjut ke langkah 5. Apabila S(∆)
= ∅ dan T(∆) = ∅ maka langsung ke langkah 7.
5. Ketika S(∆) ≠ ∅ dan T(∆) ≠ ∅ maka lakukan langkah berikut:
Pilih k ∈ S(∆) dan l ∈ T(∆).
 Update biaya sisa 𝑐𝑖𝑗𝜋 = 𝑐𝑖𝑗 -𝜋(𝑖 ) + 𝜋 (𝑗)
 Update jarak 𝑑 (𝑗) = 𝑑 (𝑖 ) + 𝑐𝑖𝑗𝜋

10
  Pilih P yang merupakan lintasan terpendek dari titik k ke titik
l pada jaringan sisa-∆. Pemilihan lintasan dilakukan dengan
cara melihat 𝑑 (𝑙 ), yaitu dengan mencari lintasan dengan
biaya sisa minimum yang sama dengan 𝑑 (𝑙 ).
 Update potensial titik 𝜋(𝑖 ) = 𝜋 (𝑖 ) − 𝑑(𝑖)
 Alirkan sebanyak ∆ pada lintasan terpilih P.
 Update ketakseimbangan titik 𝑒(𝑖 ) = 𝑏(𝑖 ) + ∑ 𝑥𝑗𝑖 − ∑ 𝑥𝑖𝑗
 Update kapasitas sisa 𝑟𝑖𝑗 = 𝑟𝑖𝑗 − ∆. Apabila pada lintasan ada
sisi (j,i), maka 𝑟𝑖𝑗 = 𝑟𝑖𝑗 + ∆.
 Update kapasitas sisa 𝑥𝑖𝑗 = 𝑥𝑖𝑗 + ∆. Apabila pada lintasan ada
sisi (j,i), maka 𝑥𝑖𝑗 = 𝑥𝑖𝑗 - ∆.
6. Lakukan langkah 5 sampai T(∆) terpilih semua.
7. Apabila T(∆) sudah terpilih semua, update ∆ dengan ∆= ∆/2.
8. Kembali ke langkah 3
9. Output: jumlah dari aliran 𝑥𝑖𝑗 yang masing-masing dikalikan dengan
biaya sisinya 𝑐𝑖𝑗 , ∀(𝑖, 𝑗) ∈ 𝐴

2.9 Algoritma Cost Scaling

Langkah Langkah yang dapat dilakukan dalam penyelesaian

masalah Minimum Cost Flow adalah :
1. Inisialisasi yaitu langkah yang menggambarkan keadaan awal dalam
bentuk jaringan berarah. Penggambaran keadaan awal dimulai dengan
menggambarkan banyaknya titik yang terdapat di dalam permasalahan.
Masing-masing sisi dihubungkan dengan sisi berarah (i,j) yang
menunjukkan adanya jalan untuk aliran dari titik i ke titik j. Setiap sisi
(i,j) mempunyai dua bobot yang disimbolkan - yang merupakan biaya
yang diperlukan untuk mengalirkan suplai dari titik i ke titik j dan !
adalah batas maksimum suplai yang dapat dialirkan dari titik i ke titik j.

11
 Menuliskan bobot/suplai masing-masing titik yang disimbolkan dengan
b(i) dengan ketentuan apabila b(i) > 0 maka titik i adalah titik pengirim,
apabila b(i) = 0 maka titik i adalah titik perantara, dan apabila b(i) < 0
maka titik i adalah titik penerima. Setelah proses inisialisasi selesai,
tentukan nilai ε yang diperoleh dari biaya terbesar yang terdapat pada
permasalahan awal
2. Menentukannode imbalance/titik kesetimbangan dari masing-masing
titik yang disimbolkan dengan Menentukannode imbalance/titik
kesetimbangan dari masing-masing titik yang disimbolkan dengan 𝑒(𝑖)
dengan ketentuan 𝑒(𝑖 ) = 𝑏(𝑖 ) + ∑{𝑗:(𝑗,𝑖)∈(𝑆,𝑆)} 𝑥𝑗𝑖 −
∑{𝑗:(𝑗,𝑖)∈(𝑆,𝑆)} 𝑥𝑖𝑗 , 𝑏 (𝑖 ) adalah suplai dari titik i. pada algoritma Cost
Scaling nilai awal 𝑥̅ ≔ 0, maka 𝑒(𝑖 ) = 𝑏(𝑖) dan 𝑟𝑖𝑗 = 𝑢𝑖𝑗 , ∀(𝑖, 𝑗) ∈ 𝐴
3. Menentukan biaya tereduksi (𝑐𝑖𝑗𝜋 = 𝑐𝑖𝑗 − 𝜋(𝑖 ) + 𝜋(𝑗)) pada masing-
masing sisi pada digraph G. Karena pada algoritma cost scaling nilai
awal 𝜋(𝑖 ) = 0, ∀𝑖 ∈ 𝑁 sehingga 𝑐𝑖𝑗𝜋 = 𝑐𝑖𝑗 , ∀ (𝑖, 𝑗) ∈ 𝐴 Kemudian
menuliskan 𝑐𝑖𝑗𝜋 , 𝑟𝑖𝑗 pada setiap sisi di G.
4. Pilih titik aktif yang terdapat pada jaringan sisa. Titik i dikatakan titik
aktif apabila e(i) > 0.
5. Menentukan sisi admisibel yang berpangkal pada titik aktif yang telah
dipilih. Sisi admisibel ditentukan dengan mengecek setiap sisi pada
jaringan sisa yang berpangkal pada titik aktif yang telah dipilih, yaitu
𝜀
sisi yang memiliki biaya tereduksi dan memenuhi kondisi − ≤ 𝑐𝑖𝑗𝜋 <
2

0, ∀ (𝑖, 𝑗) ∈ 𝐴
6. Apabila pada jaringan sisa tidak terdapat sisi admisibel yang berpangkal
pada titik aktif yang telah dipilih, lakukan pelabelan nilai potensial titik
𝜀
pada titik aktif tersebut dengan ketentuan 𝜋 (𝑖 )𝑏𝑎𝑟𝑢 = 𝜋(𝑖 )𝑙𝑎𝑚𝑎 +
2

7. Lakukan pelabelan biaya tereduksi pada sisi yang berpangkal pada titik
aktif yang telah dipilih.
8. Lakukan langkah 6 apabila sisi admisibel masih belum diperoleh.

12
 9. Setelah sisi admisibel yang berpangkal pada titik aktif diperoleh,
tentukan nilai δ dengan cara 𝛿 = 𝑀𝑖𝑛 {𝑒(𝑖 ), 𝑟𝑖𝑗 }
10. Lakukan proses pengiriman suplai sebanyak δ unit pada sisi admisibel,
misalkan sisi admisibel yang dipilih adalah sisi (i,j), yaitu dengan cara
𝑒(𝑖 )𝑏𝑎𝑟𝑢 = 𝑒(𝑖 )𝑙𝑎𝑚𝑎 − 𝛿 , cara 𝑒(𝑗)𝑏𝑎𝑟𝑢 = 𝑒(𝑗)𝑙𝑎𝑚𝑎 − 𝛿. Mengganti
sisi (i,j) dengan dua sisi (i,j) dan sisi (j,i) dengan bobot masing-masing
sisi adalah sebagai berikut : sisi (i,j) memiliki bobot 𝑐𝑖𝑗𝜋 = 𝑐𝑖𝑗𝜋 dan 𝑟𝑖𝑗 =
𝑟𝑖𝑗 − 𝛿, sedangkan sisi (j,i) memiliki bobot 𝑐𝑗𝑖𝜋 = −𝑐𝑖𝑗𝜋 dan 𝑟𝑗𝑖 = 𝛿
11. Hapus sisi yang memiliki kapasitas sisa sama dengan nol (𝑟𝑖𝑗 = 0)
12. Lakukan pengulangan pada langkah 10 sampai diperoleh e(i) = 0, ∀𝑖 ∈
𝑁
13. Menggambarkan digraph solusi optimum dengan aliran 𝑐𝑖𝑗 dan 𝑥𝑖𝑗 =
𝑟𝑗𝑖 . , serta mencari 𝑧 = ∑ 𝑐𝑖𝑗 𝑥𝑖𝑗

2.10 Algoritma Relaksasi

Algoritma relaksasi merupakan algoritma yang dapat memperluas

atau mempersempit domain dari batasan-batasan yang ada, sehingga
terdapat beberapa alternatif dalam menentukan solusi. Algoritma relaksasi
pada minimum cost flow dilakukan dengan mengirimkan
supply/objek/barang pada sisi dengan reduced cost yang sama dengan nol .
Untuk mambahas permasalahan ini, diperlukan definisi-defnnisi yang
sering digunakan. Definisi-definisi tersebut antara lain:
 Misal 𝐺(𝑁, 𝐴) , adalah jaringan terhubung dengan himpunan titik 𝑁
dan himpunan sisi berarah 𝐴 . Masing-masing sisi i,j ∈ 𝐴
mempunyai biaya 𝑐𝑖𝑗 dan kapasitas muatan 𝑢𝑖𝑗 ≥ .0 Misal 𝑛 = | 𝑁 |
dan 𝑚 = | 𝐴 |. 𝑛 menunjukan banyak titik pada jaringan, sedangkan
𝑚 menyatakan banyaknya sisi pada jaringan. Masing-masing titik
𝑖 ∈ 𝑁 mempunyai nilai yang disimbolkan 𝑏(𝑖) . Jika 𝑏 (𝑖 ) > 0 maka

13
 titik 𝑖 adalah titik supply, jika 𝑏 (𝑖 ) < 0 , maka titik adalah titik
demand. Cost /biaya adalah bilangan non negatif yang menyatakan
besarnya biaya untuk memindahkan muatan dari satu titik ke titik
yang lain. Capacity /kapasitas dari suatu sisi adalah jumlah
maksimum muatan yang dapat dikirim pada sisi-sisi
 Suatu aliran fisibel adalah suatu fungsi 𝑥 = 𝑥𝑖𝑗 didefinisikan pada
sisi berarah (𝑖, 𝑗) ∈ 𝐴 yang memenuhi batas keseimbangan umum
yaitu ∑{𝑗|(𝑖,𝑗)∈𝐴} 𝑥𝑖𝑗 − ∑{𝑗|(𝑗, 𝑖 ) ∈ 𝐴} 𝑥𝑗𝑖 = 𝑏(𝑖) untuk semua 𝑖 ∈ 𝑁

dan batas kapasitas yaitu 0 ≤ 𝑥𝑖𝑗 ≤ 𝑢𝑖𝑗 untuk semua (𝑖, 𝑗) ∈ 𝐴 ,

dimana ∑𝑖∈𝐴 𝑏(𝑖) = 0. Biaya dari flow 𝑥 adalah ∑(𝑖,𝑗)∈𝐴 𝑐𝑖𝑗 𝑥𝑖𝑗 .
Simbol 𝑧 merupakan biaya total yang diperoleh dari minimum cost
flow. Biaya total yang dihasilkan adalah biaya yang minimum untuk
mengirimkan supply dari suatu titik supply ke titik demand. Biaya
total ini diperoleh dari jumlah perkalian cost dengan kapasitas sisa
yang berlawanan arah dengan sisi yang bersesuaian. Nilai-nilai pada
aliran fisibel harus memenuhi kesetimbangan massa yaitu 𝑏(𝑖)
/bobot titik harus sama dengan aliran fisibel yang keluar dari titik 𝑖
dikurangi dengan aliran fisibel yang masuk ke titik 𝑖 dan nilai aliran
fisibel lebih besar atau sama dengan nol dan kurang dari atau sama
dengan capacity.
 Jaringan sisa 𝐺 (𝑥 ) dalam suatu aliran 𝑥 didefinisikan dengan
mengganti masing-masingsisi berarah (𝑖, 𝑗) ∈ 𝐴 oleh dua sisi
berarah (𝑖, 𝑗) dan (𝑗, 𝑖). Sisi berarah (𝑖, 𝑗) mempunyai biaya 𝑐𝑖𝑗 dan
kapasitas sisa 𝑟𝑖𝑗 = 𝑢𝑖𝑗 − 𝑥𝑖𝑗 , dan sisi berarah (𝑗, 𝑖) mempunyai
biaya −𝑐𝑖𝑗 dan kapasitas sisa 𝑟𝑗𝑖 = 𝑥𝑖𝑗 . Pada jaringan sisa, jika
kapasitas sisa suatu sisi bernilai nol, maka sisi tersebut dapat dihapus
dari jaringan.
 Potensial titik 𝑖 adalah besarnya 𝜋(𝑖) yang bersesuaian dengan batas
kesetimbagan umum pada titik 𝑖 . Untuk himpunan potensial titik

14
 yang diberikan, reduced cost dari suatu sisi (𝑖, 𝑗) pada jaringan sisaan
𝐺(𝑥) adalah 𝑐𝑖𝑗𝜋 = 𝑐𝑖𝑗 − 𝜋(𝑖 ) + 𝜋(𝑗).

2.11 Algoritma Penghapusan Sikel

Algoritma Penghapusan Sikel merupakan salah satu metode dalam

menyelesaikan masalah optimasi model jaringan. Algoritma Penghapusan
Sikel didasarkan dari kondisi optimal sikel negative, yang dimulai dengan
aliran fisibel dan penambahan berturut-turut sikel negatif, dalam jaringan
sisaan sampai jaringan sisaan tersebut tidak memuat sikel negatif.
Berikut merupakan langkah-langkah dari Algoritma Penghapusaan
Sikel :
1. Tentuka nilai aliran (𝑥𝑖𝑗 ) berdasarkan 0 ≤ 𝑥𝑖𝑗 ≤ 𝑢𝑖𝑗 dan 𝑏𝑖 = ∑ 𝑥𝑖𝑗 −
∑ 𝑥𝑗𝑖
2. Ganti acr (𝑖, 𝑗) dengan dua arc (𝑖, 𝑗) dan (𝑗, 𝑖 ). Arc (𝑖, 𝑗) memiliki harga
𝑐𝑖𝑗 dan kapasitas sisaan 𝑟𝑖𝑗 = 𝑢𝑖𝑗 − 𝑥𝑖𝑗 . Sedangkan (𝑗, 𝑖 ) memiliki harga
−𝑐𝑖𝑗 dan kapasitas 𝑟𝑖𝑗 = 𝑥𝑖𝑗 . Jika 𝑟𝑖𝑗 = 0 hapus arc yang bersesuaian.
3. Cari sikel negatif. Jika tidak ada maka sikel optimal.
4. Jika ada, tambah aliran sepanjang sikel negatif terpilih dengan
𝑟𝑖𝑗 terkecil pada sikel tersebut. Kurangi 𝑢𝑖𝑗 disepanjang sikel dan
naikkan kapasitas arc sebaliknya dari sikel tersebut sebesar 𝑟𝑖𝑗 terkecil
dalam sikel.
5. Ulangi langkah 3 sampai tidak ada sikel negatif maka solusi optimal.

2.12 Algoritma Shortest Augmenting Path

Algoritma ini tergolong baru. Oleh karena itu, penjelasannya belum

terlalu mendetail. Pada dasarnya algoritma ini mirip dengan Algoritma
Successive Shortest Path, hanya saja pencarian lintasan terpendek dalam

15
 algoritma ini menggunakan algoritma dijkstra. Selain itu, keunggulan
algoritma ini dapat menghitung biaya minimum dari maksimum flow dari
s ke t.
2.13 Penelitian Terdahulu

Dalam mengkaji permasalahan Minimum Cost Flow berdasarkan

Praktik Kerja Lapang yang dilakukan, berikut beberapa penelitian yang
sudah dilakukan
 Berdasarkan Praktik Kerja Lapangan yang dilakukan oleh Setya
Widodo dengan laporan yang berjudul “ Optimalisasi
Pendistribusian Knalpot di Pabrik Fajar Indah Malang dengan
Menggunakan Metode Minimum Cost Flow” yang menggunkaan
alat bantu Program Giden V4a diperoleh hasil berikut. Haisl
perhitungan menggunakan Algoritma Successive Shortest Path
diperoleh biaya minimum pengiriman knalpot yaitu Rp. 18.425.000.
dari hasil pengolahan diatas dapat pengoptimal biaya distribusi dari
sebesar Rp. 18.425.000 menjadi Rp. 2.039.275. Dengan rute
Bandung – Jakarta, Malang – Solo, Solo – Yogyakarta, Malang –
Yogyakarta, Malang – Surabaya , Semarang – Bandung , Yogyakarta
– Bandung , Solo – Bandung , Surabaya – Semarang.
 Berdasarkan Praktik Kerja Lapangan yang dilakukan oleh Dewi
Ratna Ayu Wulaningrum dengan judul laporan “Penerapan Teori
Graph untuk Pengoptimalan Msalah Pendistribusian Brem Candi
Mas di Madiun mengguakan metode Minimum Cost Flow” yang
menggunakan alat bantu Giden. Hasil perhitungan menggunakan
Algoritma lintasan pendek berulang diperoleh Rp. 300.000 menjadi
Rp. 106.693. Dengan rute Candi Mas – Toko Aneka, Candi Mas –
Toko Mitra, Candi Mas – Toko Metro, Candi Mas – Toko Sari Rasa,
Toko Sari Rasa – Toko Mawar, Toko Mawar – Toko Cahaya, Candi
Mas – Mirasa , Toko Mirasa – Toko Citarasa, Toko Amanda, Candi

16
 Mas – RM. Duta, Candi Mas – Toko Barokah , Toko Barokah – RM.
Tlaga Indah.

Dalam mengkaji permasalahan Minimum Cost Flow , telah dilakukan

beberapa penelitian terdahulu menggunakan algoritma – algoritma pada
Minimum Cost Flow.
Fajar Prabowo (2012) dengan judul “Penerapan Algoritma Cost
Scaling Pada Permasalahan Minimum Cost Flow Dan Implementasinya
Pada Program” dimana mengkaji penerapan algoritma Cost Scaling yang
dibandingkan dengan algoritma lintasan terpendek berulang. Hasil yang
diperoleh dalam penyelesaian masalah minimum cost flow dengan
menggunkaan algoritma Cost Scaling sama dengan penyelesaian
menggunakan algoritma lintasan terpendek berulang.
Shelda Amy (2016) dengan judul “Penerapan Algoritma Successive
Shortest Path Dan Algoritma Capacity Scaling Dalam Penyelesaian
Minimum Cost Flow Problem”. Artikel tersebut diterapkan dalam
pendistribusian gas elpiji 3 Kg PT Amita Bara Sejahtera Jember, dimana
pada penelitian tersebut membandingkan algoritma Successive Shortest
Path dengan algoritma Capacity Scaling. Berdasarkan penelitian tersebut,
menghasilkan total biaya minimum menggunakan algoritma Successive
Shortest Path relatif lebih kecil dibanding algoritma Capacity Scaling.
Reni Dian Saputri (2013) melakukan penelitian dengan judul skripsi
“Algoritma Capacity Scaling Dalam Menyelesaikan Minimum Cost Flow
Problem Dan Implementasi Program”. Dalam skripsi tersebut
membandingkan penerapan Algoritma Capacity Scaling, Algoritma
Penghapusan Sikel, dan Algoritma Lintasan Terpendek Berulang pada
permasalahan Minimum Cost Flow pengiriman barang. Hasil yang
didapatkan dari penelitian tersebut yaitu penerapan Algoritma Capacity
Scaling, Algoritma Lintasan Terpendek Berulang menghasilkan biaya
minimum yang sama, namun terdapat perbedaan dalam prosesnya. Untuk

17
Algoritma Capacity Scaling dan Algoritma Lintasan Terpendek Berulang,
penambahan aliran dilakukan sepanjang lintasan yang terpilih. Pada
Algoritma Penghapusan Sikel adalah dengan menghapus sikel yang
berharga negatif sehingga jaringan akan optimum jika sudah tidak memuat
sikel negatif. Dalam menentukan lintasan terpendek pada Algoritma
Capacity Scaling dan Algoritma Lintasan Terpendek Berulang ditentukan
dengan menggunakan Algoritma Dijkstra. Namun perbedaan mendasar
pada Algoritma Capacity Scaling dan Algoritma Lintasan Terpendek
Berulang terletak pada penskalaan kapasitas sisinya, sehingga Algoritma
Capacity Scaling dapat digunakan pada jaringan yang memuat kapasitas sisi
cukup besar. Sehingga kesimpulannya, Algoritma Capacity Scaling
tersebut dapat dijadikan alternatif dalam menyelesaikan permasalahan
Minimum Cost Flow.
Supiatun (2013) telah melakukan penelitian terhadap permasalahan
Minimum Cost Flow menggunakan Algoritma Relaksasi dengan judul
“Penerapan Algoritma Relaksasi Permasalahan Minimum Cost Flow”.
Pada penelitian tersebut, dalam mencari solusi Minimum Cost Flow dengan
Algoritma Relaksasi pemilihan sisi dilakukan dengan cara memilih sisi
yang mempunyai reduced cost yang sama dengan nol. Jika jumlah supply
lebih dari jumlah kapasitas sisa, maka dilakukan penambahan node
potential, sehingga menambah sisi yan mempunyai reduced cost yang sama
dengan nol dan jumlah jaringan sisi pada langkah selanjutnya menjadi
bertambah. Pada skripsi tersebut juga membahas perbedaan penerapan
Algoritma Relaksasi dengan Algoritma Lintasan Terpendek Berulang dan
Jaringan Simpleks mengenai perbedaan penetuan node potential yang
mempengaruhi nilai reduced cost, perbedaan dalam pemilihan sisi yang
akan dikirim. Penerapan Algoritma Relaksasi pada permasalahan Minimum
Cost Flow dapat memperoleh solusi yang optimum. Hal ini dikarenakan
pemilihan sisi pada Algoritma Relaksasi ditentukan dengan memilih sisi

18
yang mempunyai reduced cost yang sama dengan nol dan nilai reduced cost
dipengaruhi nilai cost.
Berdasarkan penelitian-penelitian terdahulu mengenai algoritma-
algoritma pada Minimum Cost Flow beserta praktek kerjanya, hal tersebut
dapat menyelesaikan permasalahan optimalisasi terkait suatu biaya.
Dengan begitu, dalam pengoptimalan suatu biaya dapat digunakan pada
pendistribusian barang/produk. Sehinggga algoritma-algoritma pada
Minimum Cost Flow dapat digunakan untuk mencari biaya minimum dalam
permasalahan pendistribusian.

19
 BAB III

METODOLOGI

3.1 Pemodelan

Pemodelan permasalahannya adalah sebagai berikut :

a. Lokasi PT Tri Surya Plastik mewakili sebagai titik asal (titik suplai) pada
suatu graph
b. Daftar alamat indutri tujuan sebagai titik tujuan (titik demand) pada suatu
graph
c. Setiap jalan yang menghubungkan setiap tempat disebut sebagai sisi graph
d. Setiap jalan yang memiliki arah arau arus tertentu disebut sisi berarah pada
digraph
e. Biaya distribusi serta kapasitas yang dilalui di setiap jalan disebut bobot
pada sisi graph

3.2 Algoritma yang Digunakan

3.2.1 Algoritma Simpleks

Berikut ini adalah Algoritma Jaringan Simplek :

1. Pilih sebarang spanning tree (T)
2. Cari aliran 𝑥𝑖𝑗 dan potensial titik Π
3. Jika ada arc non basis (non tree) melanggar komplementary
slackness kondisi optimal, pilih untuk masuk tree dan keluarkan arc
basis dengan 𝑥𝑖𝑗 yang bila ditambahkan ke kapasitasnya menjadi
batas atas.
4. Ulangi langkah 2 sampai tidak ada arc yang melanggar
complementary slackness kondisi optimal.

20
3.2.2 Algoritma Lintasan Terpendek Berulang

Algoritma Lintasan Terpendek Berulang merupakan salah satu

metode lain dalam menyelesaikan masalah optimasi model jaringan.
Algoritma Lintasan Terpendek Berulang didasarkan dari kondisi optimal
jaringan sisaan, dimulai dengan digraph awal yang telah disederhanakan
dan berturut-turut mencari lintasan terpendek sampai muatan pada titiknya
bernilai nol.
Berikut ini adalah Algoritma Lintasan Terpendek Berulang :
1. Cari lintasan dari s ke t pada jaringan kerja.
2. Cari sebarang lintasan terpendek dari s ke t sebut P
3. Cari δ=min{b(s),-b(t), min{𝑟𝑖𝑗 I (i,j) є P}}
4. Kurangi 𝑢𝑖𝑗 pada lintasan terpendek P dengan δ
5. Ulangi langkah 2 sampai b(s) dan b(t) sama dengan nol.

3.2.3 Algoritma Capacity Scaling

Algoritma scaling biasanya memecahkan serangkaian versi perkiraan

masalah asli dan tingkat perkiraan secara bertahap meningkat . algoritma
Capacity Scaling memperkirakan kapasitas busur (arc) ke berbagai tingkat
akurasi secara bertahap, yang disebut fase scaling (penskalaan). Setiap fase
scaling memiliki nilai ∆ dari suatu parameter. Dalam fase scaling ∆ ,
menyatakan kapasitas busur (arc) dengan 𝑢𝑖𝑗 (∆) dan mendefinisikan sesuai
dengan rumus berikut .(Ahuja and Orlin, 1995)
𝑢𝑖𝑗
𝑢𝑖𝑗 (∆) = [ ] ∆ 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑡𝑖𝑎𝑝 𝑏𝑢𝑠𝑢𝑟 (𝑖, 𝑗) ∈ 𝐴
∆
Dengan kata lain, kita dapat mendefinisikan 𝑢𝑖𝑗 sebagai kelipatan
terbesar dari ∆ yang kurang dari atau sama dengan 𝑢𝑖𝑗 . Untuk contohnya,

21
jika 𝑢𝑖𝑗 = 13, maka 𝑢𝑖𝑗 (16) = 0; 𝑢𝑖𝑗 (8) = 8 ; 𝑢𝑖𝑗 (4) = 12; 𝑢𝑖𝑗 (2) =
12; 𝑑𝑎𝑛 𝑢𝑖𝑗 (1) = 13 = 𝑢𝑖𝑗 .
Langkah- Langkah penyelesaian algoritma Capasity Scaling : (Saputri et
al., n.d.)
1. Menentukan jaringan sisa, dengan mengalirkan aliran setiap sisinya
𝑥𝑖𝑗 = 0 dan potensial setiap titiknya adalah 𝜋 (𝑖 ) = 0. Sehingga dari
jaringan sisa tersebut akan didapatkan ketakseimbangan titik 𝑒(𝑖 ), biaya
sisa 𝑢𝑖𝑗 𝜋 , dan kapasitas sisa 𝑟𝑖𝑗
2. Tentukan nilai ∆= 2|2log 𝑈 . ∆ nantinya akan menjadi banyaknya unit
yang dilirkan pada setiap lintasan yang terpilih. Jika ∆ ≥ 1 maka lanjut
ke langkah 3, jika ∆< 1 maka algoritma berhenti.
3. Apabila kapasitas sisa lebih dari atau sama dengan ∆ (𝑟𝑖𝑗 ≥ ∆ dan biaya
sisa kurang dari 0 (𝑐𝑖𝑗 𝜋 < 0) maka alirkan sebanyak 𝑟𝑖𝑗 dan update
ketakseimbangan titik 𝑒(𝑖 ), aliran 𝑥𝑖𝑗 dan kapasitas sisa 𝑥𝑖𝑗 dan lanjut ke
langkah 4. Apabila tidak terjadi kasus tersebut, maka langsung ke
langkah 4.
4. Tentukan S(∆) dan T(∆) dengan:
S(∆) merupakan himpunan titik yang mempunyai ketakseimbangan titik
sebanyak lebih dari atau sama dengan ∆ atau merupakan himpunan titik
pengirim. Sedangkan T(∆) merupakan himpunan titik yang memiliki
ketakseimbangan titik sebanyak kurang dari atau sama dengan −∆ atau
merupakan himpunan titik penerima.
S(∆) = {i∈ N: e(i) ≥ ∆}
T(∆) = {i ∈ N: e(i) ≤ −∆}
Apabila S(∆) ≠ ∅ dan T(∆) ≠ ∅ maka lanjut ke langkah 5. Apabila S(∆)
= ∅ dan T(∆) = ∅ maka langsung ke langkah 7.
5. Ketika S(∆) ≠ ∅ dan T(∆) ≠ ∅ maka lakukan langkah berikut:
Pilih k ∈ S(∆) dan l ∈ T(∆).
 Update biaya sisa 𝑐𝑖𝑗𝜋 = 𝑐𝑖𝑗 -𝜋(𝑖 ) + 𝜋 (𝑗)

22
  Update jarak 𝑑 (𝑗) = 𝑑 (𝑖 ) + 𝑐𝑖𝑗𝜋
 Pilih P yang merupakan lintasan terpendek dari titik k ke titik
l pada jaringan sisa-∆. Pemilihan lintasan dilakukan dengan
cara melihat 𝑑 (𝑙 ), yaitu dengan mencari lintasan dengan
biaya sisa minimum yang sama dengan 𝑑 (𝑙 ).
 Update potensial titik 𝜋(𝑖 ) = 𝜋 (𝑖 ) − 𝑑(𝑖)
 Alirkan sebanyak ∆ pada lintasan terpilih P.
 Update ketakseimbangan titik 𝑒(𝑖 ) = 𝑏(𝑖 ) + ∑ 𝑥𝑗𝑖 − ∑ 𝑥𝑖𝑗
 Update kapasitas sisa 𝑟𝑖𝑗 = 𝑟𝑖𝑗 − ∆. Apabila pada lintasan ada
sisi (j,i), maka 𝑟𝑖𝑗 = 𝑟𝑖𝑗 + ∆.
 Update kapasitas sisa 𝑥𝑖𝑗 = 𝑥𝑖𝑗 + ∆. Apabila pada lintasan ada
sisi (j,i), maka 𝑥𝑖𝑗 = 𝑥𝑖𝑗 - ∆.
6. Lakukan langkah 5 sampai T(∆) terpilih semua.
7. Apabila T(∆) sudah terpilih semua, update ∆ dengan ∆= ∆/2.
8. Kembali ke langkah 3
9. Output: jumlah dari aliran 𝑥𝑖𝑗 yang masing-masing dikalikan dengan
biaya sisinya 𝑐𝑖𝑗 , ∀(𝑖, 𝑗) ∈ 𝐴

3.3 Alat Bantu Program

Dalam menyelesaikan permasalahan Minimum Cost Flow dengan

algoritma-algoritma dapat diselesaikan dengan bantuan program untuk
mempercepat pengerjaan. Alat bantu yang digunkan adalah Giden. Adapun
langkah-langkah menggunkaan aplikasi Giden sebagai berikut :

1. Halaman awal untuk desain tampilan program.

Pilih menu File → New, sehingga muncul gambar kanan.

23
2. Memulai dengan membuat titik graph, dengan pilih New Node,
selanjutnya edit pada tempat yang tersedia.

3. Untuk menggambar sisi , dengan pilih New Edge.

4. Untuk mengubah nama titik dan sisi, pilih Edit Value

24
5. Selanjutnya pilih menu Solvers → Minimum Cost Flow , lalu pilih
algoritma yang akan digunakan.

6. Hasil penyelesaian akan muncul untuk biaya minimum dari

permasalahan yang ada.

25
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Objek Survey Lapangan

PT. Tri Surya Plastik merupakan salah satu perusahaan dari Jawa
Timur yang bekerja di bidang pendistribusian industri grosir. PT Tri Surya
Plastik berlokasi di Jl. Sumber Suko No. 842, Kec. Lawang, Kab. Malang
dibawah pimpinan sekaligus pemilik Bapak Siswanto Perusahaan tersebut
memproses serta mengolah plastik-plastik buangan (limbah plastik)
menjadi biji plastik maupun plastik biasa. Plastik hasil olahan tersebut
dibagi menjadi beberapa kategori yakni Plastik PE, Gilingan HD, Gilingan
PP Hitam, Plastik Campur, dan Tali Plastik. Tak hanya plastik yang
didistribusikan, Karton C48/Jumbo, Paper Core, dan Kertas juga di
distribusikan. Kemudian produk yang dihasilkan tersebut dikirimkan atau
didistribsikan ke beberapa tempat industri serta ke beberapa pengecer grosir
lainnya. Penditribusian dilakukan ke beberapa daerah yang ada di Jawa
Timur serta satu ada di Jawa Tengah, yakni Pasuruan, Porong, Bangil,
Malang, Singosari, Mojokerto Probolinggo, Surabaya, serta Kudus. Pada
daerah Malang terdapat dua tempat industri tujuan, sedangkan untuk daerah
lainnya hanya ada satu tempat industri tujuan.

4.2 Narasi

Dalam pengoptimalan pendistribusian produk, perusahaan perlu

memperhatikan beberapa faktor, seperti biaya distribusi, kapasitas
pengangkutan, banyaknya permintaan per tempat tujuan, serta jarak yang
ditempuh juga. Proses pendistribusian produk di PT Tri Surya Plastik
memiliki permasalahan pada biaya pendistribusian yang terbilang lumayan
besar. Oleh karena itu, diperlukan pemecahan masalah pengoptimalan biaya
distribusi, agar biaya yang dikeluarkan minimum. Sehingga untuk

26
 menyelesaikan permasalahan PT Tri Surya Plastik terkait biaya minimum
pendistribusian, dapat menggunakan Penerapan Teori Graph dari
permasalahan Minimum Cost Flow. Dimana PT Tri Surya Plastik sebagai
titik asal (suplai), daftar alamat tempat industri tujuan sebagai titik tujuan
(demand), serta biaya dan kapasitas sebagai bobot pada sisi. Kemudian
permasalahan tersebut digambarkan dalam suatu graph. Dalam
menyelesaikan permasalahan Minimum Cost Flow menggunakan
Algoritma Successive Shoertest Path, Algoritma Capacity Scaling, dan
Algoritma Jaringan Simpleks. Penggunaan algoritma – algoritma tersebut
dikarenakan pada penelitian sebelumnya didapatkan solusi yang optimal
untuk permasalahan Minimum Cost Flow. Serta merupakan beberapa
alternatif dalam menentukan solusi optimal mendapat biaya minimum.

Produk total hasil olahan limbah plastik beserta kertas karton

didistribusikan ke beberapa tempat industri tujuan dan ke beberapa
pengecer grosir lainnya. Masing-masing tempat tujuan sebagian besar
memiliki kategori produk yang berbeda dengan masing-masing
permintaannya sebagai berikut :

Lokasi Banyaknya Permintaan

Pusat (suplai) 29.221 kg
Pasuruan 2.115 kg
Porong 857 kg
Bangil 3.053 kg
Malang 5.320 kg
Singosari 1.624 kg
Kudus 9.800 kg
Mojokerto 2.940 kg
Probolinggo 1.203 kg
Surabaya 2.309 kg

27
Biaya pengiriman produk dan kapasitas kendaraan pengirim produk sebagai
berikut :

 Biaya pengiriman produk :

Dari Pusat ke Pasuruan : Rp. 250.000
Dari Pusat ke Porong : Rp. 500.000
Dari Pusat ke Bangil : Rp. 500.000
Dari Pusat ke Malang : Rp. 250.000
Dari Pusat ke Singosari : Rp. 150.000
Dari Pusat ke Kudus : Rp. 2.000.000
Dari Pusat ke Mojokerto : Rp. 750.000
Dari Pusat ke Probolinggo : Rp. 750.000
Dari Pusat ke Surabaya : Rp. 750.000
Dari Pasuruan ke Porong : Rp. 240.000
Dari Porong ke Bangil : Rp. 150.000
Dari Bangil ke Probolinggo : Rp. 470.000
Dari Singosari ke Malang : Rp. 50.000
Dari Surabaya ke Mojokerto : Rp. 350.000
Dari Surabaya ke Kudus : Rp. 1.400.000

 Kapasitas kendaraan pengiriman produk :

Dari Pusat ke Pasuruan : 4000
Dari Pusat ke Porong : 2000
Dari Pusat ke Bangil : 4000
Dari Pusat ke Malang : 6000
Dari Pusat ke Singosari : 2000
Dari Pusat ke Kudus : 10.000
Dari Pusat ke Mojokerto : 4000
Dari Pusat ke Probolinggo : 2000
Dari Pusat ke Surabaya : 4000

28
Dari Pasuruan ke Porong : 2000
Dari Porong ke Bangil : 4000
Dari Bangil ke Probolinggo : 2000
Dari Singosari ke Malang : 6000
Dari Surabaya ke Mojokerto : 4000
Dari Surabaya ke Kudus : 10.000

Untuk biaya distribusi dapat disederhanakan membaginya dengan 10.000.

Sehingga dapat diperoleh model graph untuk permasalahan diatas :

Model Graph :

4.3 Penyelesaian Masalah dengan Algoritma

4.3.1 Penyelesaian masalah data aktual dengan alat bantu aplikasi Giden :
Terdapat 10 data ( Titik suplai dan Titik Demand)
a. Algoritma Jaringan Simpleks

Model graph :

29
Menentukan spanning tree :

Iterasi 1 :

30
 Pada sisi berwarna merah (non tree / yang tidak termasuk dalam
spanning tree / sisi (2,3)) telah benilai < 0 , sehingga jaringan belum
optimal. Oleh karena itu, masukkan sisi (2,3) ke dalam tree.

Setelah memasukkan sisi (2,3) ke dalam tree, kemudian keluarkan

sisi (1,3) yang berwarna kuning. Sehngga didapatkan graph sebagai berikut
:

31
 Jaringan sudah optimum dari iterasi 1 berdasarkkan alat bantu,
sehingga dihasilkan solusi optimum untuk permasalahan minimum cost
flow menggunakan Algoritma Jaringan Simpleks, didapatkan sebagai
berikut :

32
∴ Solusi optimum pada permasalah minimum cost flow pada PT. Tri Surya
Plastik diperoleh biaya minimum pendistribusian menggunakan Algoritma
Jaringan Simpleks yakni sebesar 2.848.778

b. Algoritma Successive Shortest Path

Model Graph :

Iterasi 1 :

33
Iterasi 2 :

Iterasi 3 :

34
Iterasi 4 :

Iterasi 5:

35
Iterasi 6 :

Iterasi 7 :

36
 Iterasi 8 :

Iterasi 9 :

Iterasi 10 :

Dihasilkan solusi optimum untuk permasalahan minimum cost

flow menggunakan Algoritma Successive Shortest Path, didapatkan
sebagai berikut :

37
∴ Solusi optimum pada permasalah minimum cost flow pada PT. Tri Surya
Plastik diperoleh biaya minimum menggunakan Algoritma Successive
Shortest Path yakni sebesar 2.848.778

c. Algoritma Capacity Scaling

38
𝚫 = 𝟖𝟏𝟗𝟐

Iterasi 1

𝚫 = 𝟏𝟎𝟐𝟒

Iterasi 2 Iterasi 3

Iterasi 4 Iterasi 5

39
𝚫 = 𝟓𝟏𝟐

Iterasi 6 Iterasi 8

Iterasi 7 Iterasi 9

Iterasi 10

40
𝚫 = 𝟐𝟓𝟔

Iterasi 11 Iterasi 13

Iterasi 12 Iterasi 14

𝚫 = 𝟏𝟐𝟖

Iterasi 15 Iterasi 16

41
 Iterasi 17

𝚫 = 𝟔𝟒

Iterasi 18 Iterasi 19

𝚫 = 𝟑𝟐

Iterasi 20 Iterasi 21

42
 Iterasi 22 Iterasi 23

𝚫 = 𝟏𝟔

Iterasi 24 Iterasi 26

Iterasi 25 Iterasi 27

43
 Iterasi 28

𝚫=𝟖

Iterasi 29 Iterasi 31

Iterasi 30 Iterasi 32

Iterasi 33

44
𝚫=𝟒

Iterasi 34 Iterasi 36

Iterasi 35

𝚫=𝟐

Iterasi 37 Iterasi 38

45
𝚫=𝟏

Iterasi 39 Iterasi 41

Iterasi 40
Iterasi 42

Dihasilkan solusi optimum untuk permasalahan minimum cost

flow menggunakan Algoritma Capacity Scaling, didapatkan sebagai
berikut :

(Iterasi 43)

∴ Solusi optimum pada permasalah minimum cost flow pada PT. Tri Surya
Plastik diperoleh biaya minimum pendistribusian menggunakan Algoritma
Capacity Scaling yakni sebesar 2.848.778

46
 ANALISA HASIL

Dari ketiga Algoritma yang digunakan dengan perhitungan pada

aplikasi Giden diperoleh nilai minimum biaya aliran untuk pendistribusian
olahan limbah plastik PT. Tri Surya Plastik ke beberapa tempat industri
sebesar 2.848.778 untuk mendistribusikan 29.221 kg produk, dengan rincian
sebagai berikut

Aliran distribusi Biaya Kapasitas

Dari Pusat → Pasuruan Rp. 250.000 2972
Dari Pusat → Porong Rp. 500.000 0
Dari Pusat → Bangil Rp. 500.000 3053
Dari Pusat → Malang Rp. 250.000 5320
Dari Pusat → Singosari Rp. 150.000 1624
Dari Pusat → Kudus Rp. 2000.000 9800
Dari Pusat → Mojokerto Rp. 750.000 2940
Dari Pusat → Probolinggo Rp. 750.000 1203
Dari Pusat → Surabaya Rp. 750.000 2309
Dari Pasuruan → Porong Rp. 240.000 857
Dari Porong → Bangil Rp. 150.000 0
Dari Bangil → Probolinggo Rp. 470.000 0
Dari Singosari → Malang Rp. 50.000 0
Dari Surabaya → Mojokerto Rp. 350.000 0
Dari Surabaya → Kudus Rp. 1.400.000 0

Algoritma yang Biaya

Rute yang ditempuh
digunakan Minimum
Algoritma Jaringan Pusat → Pasuruan, Pasuruan
Simpleks 2.848.778 → Porong, Pusat → Bangil,
Pusat → Malang, Pusat →

47
 Singosari, Pusat → Kudus,
Pusat → Mojokerto, Pusat →
Probolinggo, Pusat →
Surabaya
Algoritma Pusat → Pasuruan, Pasuruan
Successive Shortest → Porong, Pusat → Bangil,
Path Pusat → Malang, Pusat →
2.848.778 Singosari, Pusat → Kudus,
Pusat → Mojokerto, Pusat →
Probolinggo, Pusat →
Surabaya
Algoritma Capacity Pusat → Pasuruan, Pasuruan
Scaling → Porong, Pusat → Bangil,
Pusat → Malang, Pusat →
2.848.778 Singosari, Pusat → Kudus,
Pusat → Mojokerto, Pusat →
Probolinggo, Pusat →
Surabaya

4.3.2 Penyelesaian masalah dengan mencoba 5 titik secara manual dan

menggunkana aplikasi Giden :
Untuk titik 1 sebagai suplai , sedangkan titik 2,3,4,5 sebagai
demand.
Titik Permintaan
1 580
2 200
3 80
4 200
5 100

48
 Biaya dan kapasitas :

Kapasaitas
Rute Biaya ($)
Kendaraan

Dari Titik 1 → Titik 2 25 300

Dari Titik 1 → Titik 3 50 300

Dari Titik 1 → Titik 4 50 300

Dari Titik 1 → Titik 5 75 300

Dari Titik 2 → Titik 3 24 300

Dari Titik 3 → Titik 4 15 300

Dari Titik 4 → Titik 5 47 300

Model Graph :

a. Algoritma Jaringan Simpleks

 Perhitungan secara manual :

49
1. Menentukan spanning tree

Iterasi 1
Menentukan nilai 𝑥𝑖𝑗 , 𝜋(𝑖 ), 𝑑𝑎𝑛 𝐶𝑖𝑗𝜋
- Nilai 𝒙𝒊𝒋 (permintaan)
𝑥12 = 200
𝑥13 = 80
𝑥14 = 200
𝑥15 = 100

50
 𝑥23 = 0
𝑥34 = 0
𝑥45 = 0
- Nilai 𝝅(𝒊) (cost)
𝜋(1) = 0
𝜋(2) = 0 – 25 = -25
𝜋(3) = 0 – 50 = -50
𝜋(4) = 0 – 50 = -50
𝜋(5) = 0 – 75 = -75
- Nilai 𝑪𝝅𝒊𝒋
𝐶𝑖𝑗𝜋 = 𝐶𝑖𝑗 − 𝜋(𝑖 ) + 𝜋(𝑗)
𝜋
𝐶12 = 25 − 0 + (−25) = 0
𝜋
𝐶13 = 50 − 0 + (−50) = 0
𝜋
𝐶14 = 50 − 0 + (−50) = 0
𝜋
𝐶15 = 75 − 0 + (−75) = 0
𝜋
𝐶23 = 24 + 25 + (−50) = −1 < 0
𝜋
𝐶34 = 15 − (−50) + (−50) = 15
𝜋
𝐶45 = 47 − (−50) + (−75) = 22
Ada sisi yang non tree (tidak termasuk dalam spanning tree)
melanggar definisi (nilainya < 0) yaitu sisi (2,3), sehingga jaringan
belum optimal. Lalu, masukkan sisi (2,3) ke pohon sehingga
menghasilkan sikel [1231], kemudian misal keluarkan sisi (1,2).
Tambahkan nilai 𝑥12 = 200 pada 𝑥𝑖𝑗 yang searah dan kurangkan
pada 𝑥𝑖𝑗 yang berlawanan arah, sehingga diperoleh
𝑥12 = 200 − 200 = 0
𝑥13 = 80 + 200 = 280
𝑥23 = 0 − 200 = −200
𝜋(2) = −50 + 24 = −26
Sehingga diperoleh gambar :

51
Iterasi 2
Menentukan nilai 𝑥𝑖𝑗 , 𝜋(𝑖 ), 𝑑𝑎𝑛 𝐶𝑖𝑗𝜋
- Nilai 𝒙𝒊𝒋 (permintaan)
𝑥12 = 0
𝑥13 = 280
𝑥14 = 200
𝑥15 = 100
𝑥23 = −200
𝑥34 = 0
𝑥45 = 0
- Nilai 𝝅(𝒊) (cost)
𝜋(1) = 0
𝜋(2) = -26
𝜋(3) = -50
𝜋(4) = -50
𝜋(5) = -75
- Nilai 𝑪𝝅𝒊𝒋
𝐶𝑖𝑗𝜋 = 𝐶𝑖𝑗 − 𝜋(𝑖 ) + 𝜋(𝑗)
𝜋
𝐶12 = 25 − 0 + (−26) = −1 < 0

52
 𝜋
𝐶13 = 50 − 0 + (−50) = 0
𝜋
𝐶14 = 50 − 0 + (−50) = 0
𝜋
𝐶15 = 75 − 0 + (−75) = 0
𝜋
𝐶23 = 24 − (−26) + (−50) = 0
𝜋
𝐶34 = 15 − (−50) + (−50) = 15
𝜋
𝐶45 = 47 − (−50) + (−75) = 22
Ada sisi yang non tree (tidak termasuk dalam spanning tree)
melanggar definisi (nilainya < 0) yaitu sisi (1,2), sehingga jaringan
belum optimal. Lalu, masukkan sisi (1,2) ke pohon sehingga
menghasilkan sikel [1231], kemudian misal keluarkan sisi (1,3).
Tambahkan nilai 𝑥13 = 280 pada 𝑥𝑖𝑗 yang searah dan kurangkan
pada 𝑥𝑖𝑗 yang berlawanan arah, sehingga diperoleh
𝑥12 = 0 + 280 = 280
𝑥13 = 280 − 280 = 0
𝑥23 = −200 + 280 = 80
𝜋(2) = −25
𝜋(3) = −25 − 24 = −49
Sehingga diperoleh gambar :

Iterasi 3

53
 Menentukan nilai 𝑥𝑖𝑗 , 𝜋(𝑖 ), 𝑑𝑎𝑛 𝐶𝑖𝑗𝜋
- Nilai 𝒙𝒊𝒋 (permintaan)
𝑥12 = 280
𝑥13 = 0
𝑥14 = 200
𝑥15 = 100
𝑥23 = 80
𝑥34 = 0
𝑥45 = 0
- Nilai 𝝅(𝒊) (cost)
𝜋(1) = 0
𝜋(2) = -25
𝜋(3) = -49
𝜋(4) = -50
𝜋(5) = -75
- Nilai 𝑪𝝅𝒊𝒋
𝐶𝑖𝑗𝜋 = 𝐶𝑖𝑗 − 𝜋(𝑖 ) + 𝜋(𝑗)
𝜋
𝐶12 = 25 − 0 + (−25) = 0
𝜋
𝐶13 = 50 − 0 + (−49) = 1
𝜋
𝐶14 = 50 − 0 + (−50) = 0
𝜋
𝐶15 = 75 − 0 + (−75) = 0
𝜋
𝐶23 = 24 − (−25) + (−49) = 0
𝜋
𝐶34 = 15 − (−49) + (−50) = 14
𝜋
𝐶45 = 47 − (−50) + (−75) = 22

Karena semua sisi nilai 𝐶𝑖𝑗𝜋 terpenuhi ,tidak ada yang negatif (≮ 0), maka
jaringan sudah optimal.

2. Penentuan nilai optimum

Solusi optimum diperoleh dengan gambar sebagai berikut :

54
 Nilai fungsi tujuan minimum cost flow dari distribusi ini adalah
𝑧 = ∑ 𝐶𝑖𝑗 𝑥𝑖𝑗
𝑧 = 𝐶12 𝑥12 + 𝐶23 𝑥23 + 𝐶14 𝑥14 + 𝐶15 𝑥15
𝑧 = (25 𝑥 280) + (24 𝑥 80) + (50 𝑥 200) + (75 𝑥 100)
𝑧 = 26420

 Perhitungan dengan aplikasi Giden

Penentuan spanning tree :

55
 Berdasarkan hasil ari aplikasi Giden, sudah diperoleh hasil optimal ,
sehingga didapatkan solusi graph sebagai berikut :

∴ Solusi optimum pada permasalah minimum cost flow pada permasalahan

ini diperoleh biaya minimum menggunakan Algoritma Jaringan Simpleks
yakni sebesar $ 26.420

b. Algoritma Successive Shoertest Path

 Perhitungan secara manual

56
1. Menentukan lintasan terpendek
a. Cari sebarang lintasan terpendek dari titik 𝑠 ke 𝑡 sebut P.
Misal lintasan terpendek dari titik 𝑠 ke 𝑡 adalah [1,2]
Kemudian cari nilai 𝛿
𝛿 = min{𝑏 (𝑡), −𝑏(𝑠), min{𝑟𝑖𝑗 }}
𝛿 = min{580, 200, 300} = 200
Diperoleh jaringan sisaan yang terbentuk dari lintasan terpendek [1,2]

b. Cari sebarang lintasan terpendek dari titik 𝑠 ke 𝑡 sebut P.

Misal pilih titik 𝑠 dan 𝑡 adalah 1 dan 3.
Lintasan terpendek dari titik 𝑠 ke 𝑡 adalah [1,2,3]
Kemudian cari n ilai 𝛿

57
𝛿 = min{𝑏 (𝑡), −𝑏(𝑠), min{𝑟𝑖𝑗 }}
𝛿 = min{380, 80, 300} = 80
Diperoleh jaringan sisaan yang terbentuk dari lintasan terpendek [1,3]

c. Cari sebarang lintasan terpendek dari titik 𝑠 ke 𝑡 sebut P.

Misal pilih titik 𝑠 dan 𝑡 adalah 1 dan 4.
Lintasan terpendek dari titik 𝑠 ke 𝑡 adalah [1,4]
Kemudian cari nilai 𝛿
𝛿 = min{𝑏 (𝑡), −𝑏(𝑠), min{𝑟𝑖𝑗 }}
𝛿 = min{300, 200, 300} = 200
Diperoleh jaringan sisaan yang terbentuk dari lintasan terpendek [1,4]

58
 d. Cari sebarang lintasan terpendek dari titik 𝑠 ke 𝑡 sebut P.
Misal pilih titik 𝑠 dan 𝑡 adalah 1 dan 5.
Lintasan terpendek dari titik 𝑠 ke 𝑡 adalah [1,5]
Kemudian cari nilai 𝛿
𝛿 = min{𝑏 (𝑡), −𝑏(𝑠), min{𝑟𝑖𝑗 }}
𝛿 = min{100, 100, 300} = 100
Diperoleh jaringan sisaan yang terbentuk dari lintasan terpendek [1,5]

Dikarenkana nilai 𝑏(𝑠) dan 𝑏(𝑡) sudah bernilai nol semua, maka solusi
sudah optimal.
2. Menentukan nilai optimum.

Nilai fungsi tujuan minimum cost flow dari distribusi ini adalah

59
 𝑧 = ∑ 𝐶𝑖𝑗 𝑥𝑖𝑗
𝑧 = 𝐶12 𝑥12 + 𝐶23 𝑥23 + 𝐶14 𝑥14 + 𝐶15 𝑥15
𝑧 = (25 𝑥 280) + (24 𝑥 80) + (50 𝑥 200) + (75 𝑥 100)
𝑧 = 26420

 Perhitungan menggunakan aplikasi Giden

Iterasi 1

Iterasi 2

60
Iterasi 3

Iterasi 4

61
 Didapatkan solusi optimum :

∴ Solusi optimum pada permasalah minimum cost flow pada permasalahan

ini diperoleh biaya minimum menggunakan Algoritma Successive Shortest
Path yakni sebesar $ 26.420

c. Algoritma Capacity Scaling

 Perhitungan secara manual

1. Menentukan jaringan sisa dari jaringan awal tersebut, yaitu dengan

mengalirkan aliran pada 𝑥𝑖𝑗 = 0 dan potensial 𝜋 (𝑖 ) = 0

62
2. Kemudian tentukan aliran sebanyak Δ dengan kapasitas maksimum
jaringan 𝑈 = 300, sehingga diperoleh aliran sebanyak :
2 log 𝑈] 2 log 300]
Δ = 2[ = 2[ = 2[8,22881869] = 256

Perhatikan bahwa untuk tidak ada titik yang dapat menerima aliran
sebanyak 256 atau dengan kata lain T(256)= ∅. Maka ∆ direduksi
256
menjadi ∆ = = 128.
2

3. Karena pada jaringan tidak memenuhi kapasitas sisa lebih dari atau
sama dengan Δ(rij ≥ 128) dan biaya sisa kurang dari o (𝑐𝑖𝑗𝜋 < 0), maka
lanjut ke langkah 4

Iterasi untuk 𝚫 = 𝟏𝟐𝟖

4. Tentukan S(128) dan T(128)

S(128) = {1}
T(128) = {2,4}
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙. Pilih 𝑘 = 1, 𝑘 ∈
𝑆(128) dan 𝑙 = 2, 𝑙 ∈ 𝑇(128).
Update biaya sisa 𝒄𝝅𝒊𝒋 pada setiap sisi dan jarak minimum dari titik
awal (𝒅(𝒊)).
𝜋
𝑐12 = 25
𝜋
𝑐13 = 50
𝑑 (1) = 0
𝜋
𝑐14 = 50
𝑑 (2) = 25
𝜋
𝑐15 = 75
𝑑 (3) = 49
𝜋
𝑐23 = 24
𝑑 (4) = 50
𝜋
𝑐34 = 15
𝑑 (5) = 75
𝜋
𝑐45 = 47
𝜋
𝑐12 = 25

Tentukan lintasan P dari titik 1 ke titik 𝑙 = 2. Perhatikan 𝑑 (2) = 25,

pilih lintasan P = 1→2.

63
 Update potensial 𝝅(𝒊) [cost] dan ketakseimbangan titik 𝒆(𝒊)
[permintaan].
𝝅(𝒊) = 𝝅(𝒊) − 𝒅(𝒊)

𝜋(1) = 0 𝑒(1) = 580 + 0 − 128 =

𝜋(2) = 0 − 25 452
𝜋(3) = 0 − 49 𝑒(2) = −200 + 128 = −72
𝜋(4) = 0 − 50 𝑒(3) = −80
𝜋(5) = 0 − 75 𝑒(4) = −200
𝑒(5) = −100

Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 →2

𝑟12 = 300 − 128 𝑥12 = 0 + 128 = 128
𝑟13 = 300 𝑥13 = 0
𝑟14 = 300 𝑥14 = 0
𝑟15 = 300 𝑥15 = 0
𝑟23 = 300 𝑥23 = 0
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

4. Tentukan S(128) dan T(128)

64
 S(128) = {1}
T(128) = {4}
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙. Pilih 𝑘 = 1, 𝑘 ∈
𝑆(128) dan 𝑙 = 4, 𝑙 ∈ 𝑇(128).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−24) + (−50) = −11
𝜋
𝑐45 = 47 − (−50) + (−75) = 22
𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0
Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 4. Pilih lintasan P =
1→4.
Update potensial 𝝅(𝒊) [cost] dan ketakseimbangan 𝒆(𝒊)
[permintaan].
𝜇(1) = 0 𝑒(2) = −72 + 0 − 0 = −72
𝜇(2) = −25 𝑒(3) = −80
𝜇(3) = −49 𝑒(4) = −200 + 128 − 0 =
𝜇(4) = −50 −72
𝜇(5) = −75 𝑒(5) = −100
𝑒(1) = 452 + 0 − 128 = 324
Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 →4

65
 𝑟12 = 172 𝑥12 = 128
𝑟13 = 300 𝑥13 = 0
𝑟14 = 300 − 128 = 172 𝑥14 = 0 + 128 = 128
𝑟15 = 300 𝑥15 = 0
𝑟23 = 300 𝑥23 = 0
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

4. Tentukan S(128) dan T(128), yaitu S(128) = {1} dan T(128) = ∅. Maka
lakukan langkah 7.
128
7. Karena T(128) = ∅, Maka ∆ direduksi menjadi ∆= = 64. Dan
2

kembali ke langkah 3 , karena jaringantidak memenuhi pada langkah 3,

maka lanjut ke langkah 4.

Iterasi untuk ∆= 𝟔𝟒

4. Tentukan S(64) dan T(64), yaitu S(64) = {1} , dan T(64) = {2,3,4,5}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(64) dan 𝑙 = 2, 𝑙 ∈ 𝑇(64).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)

66
 𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22
𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0

Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 2. Pilih lintasan P =

1→2.
Update potensial 𝝅(𝒊) [cost] dan ketakseimbangan 𝒆(𝒊)
[permintaan].
𝜇(1) = 0 𝑒(1) = 324 + 0 − 64 =
𝜇(2) = −25 260
𝜇(3) = −49 𝑒(2) = −72 + 64 = −8
𝜇(4) = −50 𝑒(3) = −80
𝜇(5) = −75 𝑒(4) = −72
𝑒(5) = −100

Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 →2

𝑟12 = 172 − 64 = 108 𝑟15 = 300
𝑟13 = 300 𝑟23 = 300
𝑟14 = 172 𝑟34 = 300

67
 𝑟45 = 300 𝑥15 = 0
𝑥12 = 128 + 64 = 192 𝑥23 = 0
𝑥13 = 0 𝑥34 = 0
𝑥14 = 128 𝑥45 = 0

4. Tentukan S(64) dan T(64), yaitu S(64) = {1} ,dan T(64) = {3,4,5}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(64) dan 𝑙 = 3, 𝑙 ∈ 𝑇(64).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22
𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0

68
 𝑑 (4) = 0
𝑑 (5) = 0

Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 3. Perhatikan bahwa

𝑑 (3) = 0, pilih lintasan P = 1→ 2 →3
Update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
𝜇(1) = 0 𝑒(2) = −8
𝜇(2) = −25 𝑒(3) = −80 + 64 − 0 =
𝜇(3) = −49 −16
𝜇(4) = −50 𝑒(4) = −72
𝜇(5) = −75 𝑒(5) = −100
𝑒(1) = 260 + 0 − 64 =
196

Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1→ 2 → 3

𝑟12 = 108 − 64 = 44 𝑥12 = 192 + 64 = 256
𝑟13 = 300 𝑥13 = 0
𝑟14 = 172 𝑥14 = 128
𝑟15 = 300 𝑥15 = 0
𝑟23 = 300 − 64 = 236 𝑥23 = 0 + 64 = 64
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

69
4. Tentukan S(64) dan T(64), yaitu S(64) = {1} ,dan T(64) = {4,5}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(64) dan 𝑙 = 4, 𝑙 ∈ 𝑇(64).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22
𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0

70
 Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 4. Perhatikan bahwa
𝑑 (4) = 0, pilih lintasan P = 1→ 4
Update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
𝜇(1) = 0 𝑒(1) = 196 + 0 − 64 =
𝜇(2) = −25 132
𝜇(3) = −49 𝑒(2) = −8
𝜇(4) = −50 𝑒(3) = −16
𝜇(5) = −75 𝑒(4) = −72 + 64 − 0 = −8
𝑒(5) = −100
Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 4
𝑟12 = 44 𝑥12 = 192 + 64 = 256
𝑟13 = 300 𝑥13 = 0
𝑟14 = 172 − 64 = 108 𝑥14 = 128 + 64 = 192
𝑟15 = 300 𝑥15 = 0
𝑟23 = 236 𝑥23 = 0 + 64 = 64
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

4. Tentukan S(64) dan T(64), yaitu S(64) = {1} ,dan T(64) = {5}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.

71
 Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(64) dan 𝑙 = 5, 𝑙 ∈ 𝑇(64).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22
𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0

Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 5. Perhatikan bahwa

𝑑 (5) = 0, pilih lintasan P = 1→ 5
Update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
𝜇(1) = 0 𝑒(1) = 132 − 64 = 68
𝜇(2) = −25 𝑒(2) = −8
𝜇(3) = −49 𝑒(3) = −16
𝜇(4) = −50 𝑒(4) = −8
𝜇(5) = −75 𝑒(5) = −100 + 64 = −36
Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 5
𝑟12 = 44 𝑟23 = 236
𝑟13 = 300 𝑟34 = 300
𝑟14 = 108 𝑟45 = 300
𝑟15 = 300 − 64 = 236 𝑥12 = 256

72
 𝑥13 = 0 𝑥23 = 64
𝑥14 = 192 𝑥34 = 0
𝑥15 = 0 + 64 = 64 𝑥45 = 0

4. Tentukan S(64) dan T(64), yaitu S(64) = {1} dan T(64) = ∅. Maka
lakukan langkah 7.
64
7. Karena T(64) = ∅, Maka ∆ direduksi menjadi ∆= = 32. Dan kembali
2

ke langkah 3 , karena jaringan tidak memenuhi pada langkah 3, maka

lanjut ke langkah 4.

Iterasi untuk ∆= 𝟑𝟐

4. Tentukan S(32) dan T(32), yaitu S(32) = {1} , dan T(32) = {5}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(32) dan 𝑙 = 5, 𝑙 ∈ 𝑇(32).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0

73
 𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22
𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0

Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 5. Perhatikan bahwa

𝑑 (5) = 0, pilih lintasan P = 1→ 5
Update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
𝜇(1) = 0 𝑒(1) = 68 − 32 = 36
𝜇(2) = −25 𝑒(2) = −8
𝜇(3) = −49 𝑒(3) = −16
𝜇(4) = −50 𝑒(4) = −8
𝜇(5) = −75 𝑒(5) = −36 + 32 = −4
Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 5
𝑟12 = 44 𝑥12 = 256
𝑟13 = 300 𝑥13 = 0
𝑟14 = 108 𝑥14 = 192
𝑟15 = 236 − 32 = 204 𝑥15 = 64 + 32 = 96
𝑟23 = 236 𝑥23 = 64
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

74
 4. Tentukan S(32) dan T(32), yaitu S(32) = {1} dan T(32) = ∅. Maka
lakukan langkah 7.
32
7. Karena T(32) = ∅, Maka ∆ direduksi menjadi ∆= = 16. Dan kembali
2

ke langkah 3 , karena jaringan tidak memenuhi pada langkah 3, maka

lanjut ke langkah 4.

Iterasi untuk ∆ = 𝟏𝟔

4. Tentukan S(16) dan T(16), yaitu S(16) = {1} , dan T(16) = {2}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(16) dan 𝑙 = 2, 𝑙 ∈ 𝑇(16).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22

75
 𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0

Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 2. Perhatikan bahwa

𝑑 (2) = 0, pilih lintasan P = 1→ 2
Update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
𝜇(1) = 0 𝑒(1) = 24 − 16 = 8
𝜇(2) = −25 𝑒(2) = 20 − 16 = 4
𝜇(3) = −49 𝑒(3) = −16
𝜇(4) = −50 𝑒(4) = −8
𝜇(5) = −75 𝑒(5) = −4
Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 2
𝑟12 = 32 𝑥12 = 268
𝑟13 = 300 𝑥13 = 0
𝑟14 = 108 𝑥14 = 192
𝑟15 = 204 𝑥15 = 96
𝑟23 = 236 𝑥23 = 64
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

76
 4. Tentukan S(16) dan T(16), yaitu S(16) = {1} dan T(16) = ∅. Maka
lakukan langkah 7.
16
7. Karena T(16) = ∅, Maka ∆ direduksi menjadi ∆= = 8. Dan kembali
2

ke langkah 3 , karena jaringan tidak memenuhi pada langkah 3, maka

lanjut ke langkah 4.

Iterasi untuk ∆ = 𝟖

4. Tentukan S(8) dan T(8), yaitu S(8) = {1} , dan T(8) = {4}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(8) dan 𝑙 = 4, 𝑙 ∈ 𝑇(8).
Update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊)
𝒄𝝅𝒊𝒋 = 𝒄𝒊𝒋 − 𝝅(𝒊) + 𝝅(𝒋)
𝜋
𝑐12 = 25 − 0 + (−25) = 0
𝜋
𝑐13 = 49 − 0 + (−49) = 0
𝜋
𝑐14 = 50 − 0 + (−50) = 0
𝜋
𝑐15 = 75 − 0 + (−75) = 0
𝜋
𝑐23 = 24 − (−25) + (−49) = 0
𝜋
𝑐34 = 15 − (−49) + (−50) = 14
𝜋
𝑐45 = 47 − (−50) + (−75) = 22

77
 𝑑 (1) = 0
𝑑 (2) = 0
𝑑 (3) = 0
𝑑 (4) = 0
𝑑 (5) = 0

Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 4. Perhatikan bahwa

𝑑 (4) = 0, pilih lintasan P = 1→ 4
Update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
𝜇(1) = 0 𝑒(1) = 8 − 8 = 0
𝜇(2) = −25 𝑒(2) = 4
𝜇(3) = −49 𝑒(3) = −16
𝜇(4) = −50 𝑒(4) = −8 + 8 = 0
𝜇(5) = −75 𝑒(5) = −4
Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 4
𝑟12 = 32 𝑥12 = 268
𝑟13 = 300 𝑥13 = 0
𝑟14 = 108 − 8 = 100 𝑥14 = 192 + 8 = 200
𝑟15 = 204 𝑥15 = 96
𝑟23 = 236 𝑥23 = 64
𝑟34 = 300 𝑥34 = 0
𝑟45 = 300 𝑥45 = 0

78
 4. Tentukan S(8) dan T(8), yaitu S(8) = {1} dan T(8) = ∅. Maka lakukan
langkah 7.
8
7. Karena T(8) = ∅, Maka ∆ direduksi menjadi ∆= = 4. Dan kembali ke
2

langkah 3 , karena jaringan tidak memenuhi pada langkah 3, maka lanjut

ke langkah 4.

Iterasi untuk ∆ = 𝟒

4. Tentukan S(4) dan T(4), yaitu S(4) = {1} , dan T(4) = {2,5}.
5. Pilih P yang merupakan lintasan terpendek dari 𝑘 ke 𝑙.
Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(4) dan 𝑙 = 2, 𝑙 ∈ 𝑇(4).
Mencari update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊).
Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 2. Perhatikan bahwa
𝑑 (2) = 0, pilih lintasan P = 1→ 2
Mencari update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
Kemudian , Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 2

Pilih 𝑘 = 1, 𝑘 ∈ 𝑆(4) dan 𝑙 = 5, 𝑙 ∈ 𝑇(4).

Mencari update 𝒄𝝅𝒊𝒋 dan 𝒅(𝒊).

79
 Tentukan lintasan P dari titik 𝑘 = 1 ke titik 𝑙 = 2. Perhatikan bahwa
𝑑 (5) = 0, pilih lintasan P = 1→ 5
Mencari update potensial titik 𝝅(𝒊) dan ketakseimbangan titik 𝒆(𝒊)
Kemudian , Update 𝒓𝒊𝒋 dan 𝒙𝒊𝒋 pada P = 1 → 5.

Penentuan nilai optimum :

Nilai fungsi tujuan minimum cost flow dari distribusi ini adalah
𝑧 = ∑ 𝐶𝑖𝑗 𝑥𝑖𝑗

80
 𝑧 = 𝐶12 𝑥12 + 𝐶23 𝑥23 + 𝐶14 𝑥14 + 𝐶15 𝑥15
𝑧 = (25 𝑥 280) + (24 𝑥 80) + (50 𝑥 200) + (75 𝑥 100)
𝑧 = 26420

 Perhitungan dengan aplikasi Giden

Iterasi 1

81
Iterasi 2

Iterasi 3

82
Iterasi 4

Iterasi 5

83
Iterasi 6

Iterasi 7

84
Iterasi 8

Iterasi 9

85
Iterasi 10

Didapatkan solusi optimum :

∴ Solusi optimum pada permasalah minimum cost flow pada permasalahan

ini diperoleh biaya minimum menggunakan Algoritma capacity scaling
yakni sebesar $ 26.420

86
ANALISA HASIL

Dari ketiga Algoritma untuk Minimum Cost Flow yang digunakan untuk
menyelesaikan percobaan 5 titik secara manual dan aplikasi, diperoleh nilai biaya
minimum sebesar $26.240. Dengan rincian sebagai berikut :

Aliran distribusi Biaya ($) Kapasitas (kg)

Dari Titik 1 → Titik 2 25 280
Dari Titik 2 → Titik 3 24 80
Dari Titik 1 → Titik 3 50 0
Dari Titik 1 → Titik 4 50 200
Dari Titik 1 → Titik 5 75 100
Dari Titik 3 → Titik 4 15 0
Dari Titik 4 → Titik 5 47 0

Algoritma yang
Biaya Minimum Rute yang ditempuh
digunakan
Algoritma Jaringan Titik 1 → Titik 2, Titik 2 →
Simpleks $26.240 Titik 3, Titik 1 → Titik 4,
Titik 1 → Titik 5
Algoritma Titik 1 → Titik 2, Titik 2 →
Successive Shortest $26.240 Titik 3, Titik 1 → Titik 4,
Path Titik 1 → Titik 5
Algoritma Capacity Titik 1 → Titik 2, Titik 2 →
Scaling $26.240 Titik 3, Titik 1 → Titik 4,
Titik 1 → Titik 5

87
 4.4 Faktor Penunjang dan Faktor Penghambat Survey Lapangan

Faktor penunjang dalam pelaksanaan survey yaitu staf karyawan yang

ramah, serta bersedia memberikan informasi mengenai permasalahan yang
ada dalam pabrik PT. Tri Surya Plastik. Mereka memberikan kemudahan dan
ketersediaan dalam pengambilan data-data yang diperlukan untuk laporan
hasil survey lapangan. Serta Dosen memberikan kemudahan pada hal-hal
dibutuhkan penulis dalam mengerjakan laporan survey lapangan, seperti
memberi bagaimana sitematika dalam penulisan laporan survey lapangan.
Faktor penghambat dari pelaksanaan survey , pada mulanya sedikit
susah untuk menghubungi pemilik pabrik karena kesibukan yang dimiliki
pemilik pabrik. Namun terdapat beberapa staf atau karyawan yang
meluangkan waktunya untuk membantu kami dalam melakukan survey
tersebut, sehingga bisa mendapatkan data yang dibutuhkan.

88
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari penyelesaian permasalahan pendistribusian olahan limbah

plastik, awalnya pendistribusian tidak memperhatika rute yang ditempuh
sehingga biaya pendistribusian lumayan besar dan kurang terkendali (tidak
dapat diminimalisasikan). Namun dengan adanya penyelesaian
pendistribusian menggunakan metode Minimum Cost Flow, diperoleh rute
yang dapat meminimalkan biaya distribusi. Untuk bisa menentukan biaya
minimum yang diperoleh pada masalah ini, menggunakan algoritma pada
minimum cost flow yakni Algoritma Successive Shortest Path, Algoritma
Jaringan Simpleks, dan Algoritma Capacity Scaling. Penyelesaian masalah
dengan algoritma pada Minimum Cost Flow diselesaikan dengan aplikasi
Giden. Selanjutnya menyelesaikan masalah dengan mencoba 5 titik pada
ketiga algoritma tersebut. Perhitungan algoritma dilakukan secara manual
dan menggunakan aplikasi Giden. Untuk algoritma jaringan simpleks dan
algoritma successive shortest path lebih cepat untuk memperoleh solusi
optimumnya, sedangkan algoritma capacity scaling memiliki iterasi yang
lumayan rumit meski bentuk iterasinya hampir sama dengan algoritma
jaringan simpleks.

Dengan menggunakan alat bantu Giden diperoleh hasil untuk data aktuan
PT. Tri Surya Plastik sebagai berikut :

Algoritma yang Biaya

Rute yang ditempuh
digunakan Minimum
Algoritma Jaringan Pusat → Pasuruan, Pasuruan
Simpleks → Porong, Pusat → Bangil,
2.848.778
Pusat → Malang, Pusat →
Singosari, Pusat → Kudus,

89
 Pusat → Mojokerto, Pusat →
Probolinggo, Pusat →
Surabaya

Algoritma Pusat → Pasuruan, Pasuruan

Successive Shortest → Porong, Pusat → Bangil,
Path Pusat → Malang, Pusat →
Singosari, Pusat → Kudus,
2.848.778
Pusat → Mojokerto, Pusat →
Probolinggo, Pusat →
Surabaya

Algoritma Capacity Pusat → Pasuruan, Pasuruan

Scaling → Porong, Pusat → Bangil,
Pusat → Malang, Pusat →
Singosari, Pusat → Kudus,
2.848.778
Pusat → Mojokerto, Pusat →
Probolinggo, Pusat →
Surabaya

Sehingga biaya aliran yang minimum pada pendistribusian dengan

ketiga algoritma sebesar 2.848.778 dalam mengirimkan 29221 kg olahan
limbah plastik menuju 9 titik tempat tujuan (demand).

Sedangkan untuk masalah percobaan 5 titik diperoleh hasil dengan alat bantu
Giden sebagai berikut :

90
 Algoritma yang
Biaya Minimum Rute yang ditempuh
digunakan
Algoritma Jaringan Titik 1 → Titik 2, Titik 2 →
Simpleks $26.240 Titik 3, Titik 1 → Titik 4,
Titik 1 → Titik 5
Algoritma Titik 1 → Titik 2, Titik 2 →
Successive Shortest $26.240 Titik 3, Titik 1 → Titik 4,
Path Titik 1 → Titik 5
Algoritma Capacity Titik 1 → Titik 2, Titik 2 →
Scaling $26.240 Titik 3, Titik 1 → Titik 4,
Titik 1 → Titik 5

Sehingga didapatkan biaya minimum pada percobaan 5 titik diatas

menggunakna ketiga algoritma sebesar 26.240.

5.2 Saran

1. Rute pengiriman olahan limbah plastik yang telah didapatkan dapat

digunakan sebagai pertimbangan perusahaan sehingga biaya
pendistribusian menjadi minimum.
2. Perhitungan biaya distribusi dapat digunkan sebagai bahan
pertimbangan perusahaan untuk menentukan biaya operasianal.
3. Alat bantu program Giden yang dapat digunkaan dapat dijadikan
sebagai alternatif untuk menghitung biaya pendistribusian produk
olahan limbah plastik.

91
 DAFTAR PUSTAKA

Ahuja, R.K., Orlin, J.B., 1995. A capacity scaling algorithm for the constrained
maximum flow problem. Networks 25, 89–98.
https://doi.org/10.1002/net.3230250207
Arga, E.S., 2021. PENERAPAN ALGORITMA DJIKSTRA PADA
PENCARIAN JALUR TERPENDEK 1, 9.
Battarra, M., Monaci, M., Vigo, D., 2009. An adaptive guidance approach for the
heuristic solution of a minimum multiple trip vehicle routing problem.
Computers & Operations Research 36, 3041–3050.
https://doi.org/10.1016/j.cor.2009.02.008
Chassein, A., Kinscherff, A., 2019. Complexity of strict robust integer minimum
cost flow problems: An overview and further results. Computers &
Operations Research 104, 228–238.
https://doi.org/10.1016/j.cor.2018.12.021
Dewil, R., Vansteenwegen, P., Cattrysse, D., Van Oudheusden, D., 2015. A
minimum cost network flow model for the maximum covering and patrol
routing problem. European Journal of Operational Research 247, 27–36.
https://doi.org/10.1016/j.ejor.2015.05.067
Karp, R.M., 1990. The transitive closure of a random digraph. Random Struct.
Alg. 1, 73–93. https://doi.org/10.1002/rsa.3240010106
Király, Z., Kovács, P., 2012. Efficient implementations of minimum-cost flow
algorithms. arXiv:1207.6381 [cs].
Rosen, K.H., Michaels, J.G. (Eds.), 2000. Handbook of discrete and
combinatorial mathematics. CRC Press, Boca Raton.
Saputri, R.D., Wahyuningsih, S., Satyananda, D., n.d. ALGORITMA
CAPACITY SCALING DALAM MENYELESAIKAN MINIMUM
COST FLOW PROBLEM DAN IMPLEMENTASI PROGRAMNYA 9.
Zhang, J., Meerman, H., Benders, R., Faaij, A., 2022. Potential role of natural
gas infrastructure in China to supply low-carbon gases during 2020–2050.

92
Applied Energy 306, 117989.
https://doi.org/10.1016/j.apenergy.2021.117989

93
LAMPIRAN

94