Riset Operasi

R&D PalComTech

MULAI MATERI
 Referensi
Buku :
 Mulyono, Sri. 2007. Riset Operasi (edisi revisi 2007). Jakarta: FEUI.
 Supranto, Johanes. 2009. Riset Operasi Untuk Pengambilan Keputusan (Edisi Revisi). Jakarta: UI Press.
 Sitinjak, Tumpal JR. 2006. Riset Operasi : Untuk Pengambilan Keputusan Manajerial dengan Aplikasi Excel.
Jakarta: Graha Ilmu.
 Hamdy A. Taha. Operation Research : An Introduction , 8 th Edition, Pearson Prentice Hall, 2007.
 Hillier, Frederich S. and Lieberman, Introduction to Operation Research, 8 th Edition McGraw-Hill, 2005.
 Agustini, Dwi Hayu dan Rahmadi. 2004. Riset Operasional Konsep-konsep Dasar. Jakarta: RINEKA CIPTA.
 Kakiay, Thomas J. 2008. Pemrograman Linear Metode dan Problema. Yogyakarta: ANDI.
 Modul Belajar Mandiri Dosen STMIK PalComTech Palembang.

Online Readings :
 Alternatif tutorial di dalam Web Student Portal STMIK PalComTech, http://news.palcomtech.com
 Riset Operasi Media Pembelajaran Interaktif, http://belajar-informatika.net
Buku Referensi
Apa itu Riset Operasi ?

Riset Operasi atau Riset Operasional merupakan metode

kuantitatif yang digunakan untuk membantu manajemen suatu
organisasi dalam membuat keputusan yang baik.
Manfaat Pembelajaran
Tujuan Pembelajaran
 Mahasiswa mampu memahami dan menerapkan falsafah riset operasi dalam
proses pengambilan keputusan.
 Mahasiswa mampu memahami pemanfaatan riset operasi guna membantu
pemecahan masalah dalam bidang manajemen.
 Mahasiswa mampu menganalisis masalah untuk dapat dibentuk dalam program
linier.
 Mahasiswa mampu menerapkan metode kuantitatif untuk pemecahan masalah
bisnis.
 Pada akhirnya mahasiswa mampu membuat pemecahan masalah untuk
pengambilan keputusan dalam program linier.
Metode Pembelajaran

Tugas Mandiri

Presentasi Latihan

Diskusi
 Bobotase Penilaian

Tugas Ujian
Tugas Kelas,
absensi dan etika UTS
(masing2 10 %) (30%)

Tugas Mandiri UAS

(10%) (30%)
16
 Table Of Contents
• PERTEMUAN 1 : Konsep Dasar Riset Operasi (RO)
• PERTEMUAN 2 : Program Linier (PL)
• PERTEMUAN 3 : Metode Grafik
• PERTEMUAN 4 : Metode Grafik
• PERTEMUAN 5 : Metode Simpleks / Kuis I
• PERTEMUAN 6 : Metode Simpleks
• PERTEMUAN 7 : Aplikasi Program Linear (Solver)
• PERTEMUAN 8 : UTS
• PERTEMUAN 9 : Analisis Sensitifitas
• PERTEMUAN 10 : Analisis Sensitifitas
• PERTEMUAN 11 : Model Transportasi
• PERTEMUAN 12 : Model Transportasi
• PERTEMUAN 13 : Model Transportasi
• PERTEMUAN 14 : Model Penugasan
• PERTEMUAN 15 : Analisis Keputusan/ Kuis II
• PERTEMUAN 16 : UAS
 Pengenalan Materi
3
2 Mempelajari Konsep Dasar
RO, Program Linier, Metode
Grafik, Metode Simpleks,
Analisis Sensitivitas, Model
1 Memahami berbagai kasus Penugasan, Model
Transportasi, Analisa
yang lebih spesifik sesuai Network, Teori Antrian.
dengan permasalahan dalam
memperkenalkan bidang sistem informasi dan
berbagai topik manajemen perusahaan.
pembentukan model
pemrograman linier
PERTEMUAN 1
KONSEP DASAR RISET OPERASI (RO)
 Highlight

• Definisi dan falsafah RO.

• Hubungan RO dengan proses pengambilan keputusan.
• Model-model RO
 Definisi dan Falsafah RO
Morse dan Kimball “Operations research merupakan metode ilmiah yang memungkinkan para manajer mengambil keputusan
mengenai kegiatan yang mereka tangani dengan dasar kuantitatif”.

Churchman, Arkoff dan Arnoff “Operations research merupakan aplikasi metode-metode, tehnik-tehnik dan peralatan-peralatan
ilmiah dalam menghadapi masalah-masalah yang timbul didalam operasi perusahaan dengan tujuan ditemukannya pemecahan
yang optimum masalah-masalah tersebut”.

Miller dan MK Starr “Operations research merupakan peralatan managemen yang menyatukan ilmu pengetahuan, matematika,
dan logika dalam kerangka pemecahan masalah yang dihadapi sehari-hari, sehingga permasalahan tersebut bisa diselesaikan
secara optimal”.

OR Society Of Great Britany “Operations research adalah penerapan-penerapan metode ilmiah terhadap masalah-masalah rumit
yang muncul dalam pengarahan dan pengelolaan dari suatu sistem besar manusia, mesin, bahan dan uang dalam industri, bisnis,
pemerintah, dan pertahanan”.

OR Society Of Amerika “ Operations research berkaitan dengan memutuskan secara ilmiah bagaimana merancang dan
menjalankan sistem manusia-mesin yang terbaik dan biasanya membutuhkan alokasi sumber daya yang langka ”.
 Definisi dan Falsafah RO (Lanjutan)

TL Saaty “ Operations research adalah seni memberikan jawaban buruk terhadap masalahmasalah yang jika tidak akan memiliki
jawaban yang lebih buruk ”.

SL Cook “ Operations research merupakan suatu metode, pendekatan seperangkat teknik, sekelompok kegiatan, suatu kombinasi
beberapa disiplin, suatu perluasan dari disiplin-disiplin utama (matematika, teknik, ekonomi), suatu disiplin baru, suatu lapangan
kerja, bahkan suatu agama ”.

Frederick Hillier “ Operations research adalah suatu pendekatan ilmiah kepada pengambilan keputusan yang meliputi operasi
sistem-sistem organisasi ”.

Pangestu “ Operations research berkaitan dengan pengambilan keputusan optimal dalam penyusunan model dari sistem-sistem
baik deterministik maupun probabilistik yang berasal dari kehidupan nyata ”.

Bertrand menyebut Operations research sebagai model kuantitatif “ Quantitative models are based on a set variables that vary
over specific domain, while quantitative and causal relationships have been defined between that variable ”.
 Hubungan RO dengan Proses
Pengambilan Keputusan
Riset operasi berusaha menetapkan arah tindakan terbaik (optimum) dari
sebuah masalah keputusan dibawah pembatasan sumber daya yang
terbatas. Istilah riset operasi sering kali diasosiasikan secara eksklusif
dengan penggunaan teknik-teknik matematis untuk membuat model dan
menganalisi masalah keputusan. Walaupun matematika dan model
matematis merupakan inti dari riset operasi, pemecahan masalah tidaklah
hanya sekedar pengembangan dan pemecahan model-model matematis.
Secara spesifik, masalah keputusan biasanya mencakup factor-faktor
penting yang tidak berwujud dan tidak dapat diterjemahkan secara
langsung dalam bentuk model matematis.
Sebuah ilustrasi yang baik dari kasus diatas adalah salah satu versi dari
masalah elevator yang dikenal luas. Sebagai tanggapan terhadap keluhan
para penghuni tentang lambatnya elevator disebuah bangunan
perkantoran yang besar, sebuah pemecahan yang didasari oleh analisis
teori jalur antrian ditemukan tidak memuaskan. Setelah mempelajari
sistem tersebut lebih lanjut, ditemukan bahwa keluhan para penghuni
tersebut lebih disebabkan oleh kebosanan, karena pada kenyataannya,
waktu menunggu sangat singkat.
Sebuah pemecahan diajukan dimana sebuah cermin panjang
dipasang ditempat masuk elevator. Keluhan menghilang karena
para pengguna elevator asik memandangi diri mereka sendiri
dan orang lain sambil menunggu elevator.
Ilustrasi elevator ini menggarisbawahi pentingnya memandang
aspek matematis dari riset operasi dalam konteks yang lebih
luas dari sebuah proses pengambilan keputusan yang unsur-
unsurnya tidak dapat diwakili sepenuhnya oleh sebuah model
matematis. Sebagai sebuah teknik pemecahan masalah, riset
operasi harus dipandang sebagai ilmu dan seni. Aspek ilmu
terletak dalam penyediaan teknik-teknik matematis dan
algoritma untuk memecahkan masalah keputusan yang tepat.
Riset operasi adalah sebuah seni karena keberhasilan dalam
semua tahap yang mendahului dan melanjuti pemecahan dari
sebuah model matematis sebagian besar bergantung pada
kreativitras dan kemampuan pribadi dari mereka yang
menganalisis pengambilan keputusan.
 Model – Model RO
Model adalah abstraksi atau penyederhanaan
realitas sistem yang kompleks dimana hanya
komponen-komponen yang relevan atau
faktor-faktor yang dominan dari masalah yang
dianalisis diikutsertakan. Ia menunjukan
hubungan-hubungan dari aksi dan reaksi
dalam pengertian sebab dan akibat. Salah satu
alasan pembentukan model adalah untuk
menemukan variabel-variabel apa yang
penting. Penemuan variabel-variabel yang
penting itu berkaitan erat dengan
penyelidikan hubungan yang ada diantara
variabel variabel itu. Teknik-teknik kuantitatif
seperti statistic dan simulasi digunakan untuk
menyelidiki hubungan yang ada diantara
banyak variabel dalam suatu model. Model
dapat diklasifikasikan dalam banyak cara,
misalnya menurut jenisnya, dimensinya,
fungsinya, tujuannya, subyeknya, atau derajad
abstraksinya. Kriteria yang paling biasa adalah
jenis model. Jenis dasar itu meliputi:
a. Iconic (Physical) Model
Iconic model adalah suatu penyajian fisik yang tampak seperti aslinya dari suatu
sistem nyata dengan skala yang berbeda. Contoh model ini adalah mainan anak-
anak, potret, histogram, maket dan lain-lain.
b. Analogue Model
Model analogue lebih abstrak dibanding model iconic, karena tak kelihatan sama
antara model dengan sistem nyata. Contohnya jaringan pipa tempat air mengalir
dapat digunakan dengan pengertian yang sama sebagai distribusi aliran listrik.
Contoh lain adalah peta dengan bermacam-macam warna merupakan model
analog dimana perbedaan warna menunjukan perbedaan ciri, misalnya biru
menunjukan air, kuning menunjukan pegunungan, hijau sebagai dataran rendah,
dan lain-lain.
c. Mathematic (Symbolic) Model
Model matematik sifatnya paling abstrak. Model ini menggunakan seperangkat simbol
matematik untuk menunjukan komponen-komponen (dan hubungan antar mereka) dari
sistem nyata. Namun, sistem nyata tidak selalu dapat diekspresikan dalam rumusan
matematik. Model ini dapat dibedakan menjadi deterministic dan probabilistic. Model
deterministic dibentuk dalam situasi kepastian (certainty). Model ini memerlukan
penyederhanaan-penyederhanaan dari realitas karena kepastian jarang terjadi. Model
probabilistic meliputi kasus-kasus dimana diasumsikan ketidakpastian (uncertainty).
 Langkah-Langkah
Mengumpulkan
informasi
kuantitatif

Mengidenti
Mengobservasi Establish Menentu kan Mengaplikasikan
fikasi
keadaan Mengenali evaluation Mengevaluasi Alternatif Alternatif yang
Alternatif
Lapangan Problem criteria Altenatif yang terbaik dipilih
Tindakan

Mengumpulkan
informasi
kualitatif
 Model dan Penyelesaian Optimal
Dunia Nyata Dunia Simbol

Abstraksi
Masalah Masalah ke Model
Model

Pembuatan Keputusan Analisis

Pertimbangan-
Pertimbangan Interpretasi
Manajemen Intuisi dan
Hasil Olahan Penyelesaian Optimal
Pengalaman
Optimal
PERTEMUAN 2
PROGRAM LINIER (PL)
 Highlight

• Karakteristik PL
• Asumsi PL
• Formulasi Standar PL
 Program Linear (PL)
Program linear merupakan metode riset operasional yang paling ampuh dan banyak digunakan
secara luas dalam pembuatan keputusan pada bidang bisnis. Perkembangan dibidang komputer
telah mendorong semakin berkembangn ya programasi linear, sehingga menyebabkan metode ini
berkembang sebagai metode penyelesaian kasus-kasus baik dalam bidang industri,
pemerintah,maupun militer.
Program linear merupakan suatu metode untuk membuat keputusan di antara berbagai alternatif
pada waktu kegiatan-kegiatan tersebut dibatasi oleh kendala tertentu. Keputusan yang akan diambil
dinyakan sebagai fungsi tujuan sedangkan kendala-kendala yang dihadapi dalam membuat
keputusan tersebut dinyatakan dalam bentuk fungsi-fungsi kendala. Sesuai dengan nama model
programasi linear, maka fungsi tujuan dan fungsi-fungsi kendala tersebut harus berupa fungsi yang
linear, baik dalam bentuk persamaan maupun ketidaksamaan pada variabel-variabel keputusannya.
Dalam kasus sederhana yang hanya mengandung dua variabel keputusannya, sifat linear ini
mengandung arti bahwa fungsi tujuan dan batasan-batasan dari fungsi kendala dapat digambarkan
dalam grafik dua dimensi yang berupa garis lurus Z.
Terminologi umum Pemrograman Linear

Contoh Prototip Persoalan Umum

Kapasitas produksi dari departemen Sumber daya
3 departemen m sumber daya

Produksi dari produk-produk Aktivitas

2 produk n aktivitas
Laju produksi dari produk j,xj Tingkat aktivitas j,xj

Keuntungan Z Semua standar performansi

 ...(Lanjutan)
Ada beberapa simbol yang umum digunakan untuk menunjukkan berbagai komponen model pemrograman linear. Berikut ini
adalah daftar simbol dengan tafsirannya untuk permasalahan umum pengalokasian sumber daya ke aktivitas:

Z = nilai dari semua standar performansi

xj = Tingkat aktivitas j (untuk j = 1,2,..., n)
cj = Penambahan terhadap Z yang diakibatkan oleh peningkatan tiap unit di tingkat aktivitas j
bi = jumlah sumber daya i yang tersedia untuk aktivitas (untuk i = 1,2,..., m)
aij = jumlah sumber daya i yang dipakai oleh tiap unit aktivitas j

Suatu model akan membuat permasalahan menjadi suatu bentuk pengambilan keputusan mengenai tingkat aktivitas sehingga
x1,x2,...,xn disebut variabel keputusan. Serta cj, bi, aij juga disebut parameter suatu model.
 Karakteristik PL
•suatu kasus dapat ditentukan dengan menggunakan beberapa cara. Secara statistik, kita dapat memeriksa
Sifat linearitas kelinearan menggunakan grafik (diagram pencar) ataupun menggunakan uji hipotesa. Secara teknis, linearitas
ditunjukkan oleh adanya sifat proporsionalitas, additivitas, divisibilitas dan kepastian fungsi tujuan dan pembatas.

•dipenuhi jika kontribusi setiap variabel pada fungsi tujuan atau penggunaan sumber daya yang membatasi
Sifat proporsional terhadap level nilai variabel. Jika harga per unit produk misalnya adalah sama berapapun jumlah
yang dibeli, maka sifat proporsional dipenuhi. Atau dengan kata lain, jika pembelian dalam jumlah besar
proporsional mendapatkan diskon, maka sifat proporsional tidak dipenuhi. Jika penggunaan sumber daya per unitnya
tergantung dari jumlah yang diproduksi, maka sifat proporsionalitas tidak dipenuhi.

•mengasumsikan bahwa tidak ada bentuk perkalian silang diantara berbagai aktivitas, sehingga tidak akan
ditemukan bentuk perkalian silang pada model. Sifat additivitas berlaku baik bagi fungsi tujuan maupun pembatas
(kendala). Sifat additivitas dipenuhi jika fungsi tujuan merupakan penambahan langsung kontribusi masing-masing
Sifat additivitas variabel keputusan. Untuk fungsi kendala, sifat additivitas dipenuhi jika nilai kanan merupakan total penggunaaan
masing-masing variabel keputusan. Jika dua variabel keputusan misalnya merepresentasikan dua produk
substitusi, dimana peningkatan volume penjualan salah satu produk akan mengurangi volume penjualan produk
lainnya dalam pasar yang sama, maka sifat additivitas tidak terpenuhi.

•berarti unit aktivitas dapat dibagi ke dalam sembarang level fraksional, sehingga nilai variabel keputusan non
Sifat divisibilitas integer dimungkinkan.

•menunjukkan bahwa semua parameter model berupa konstanta. Artinya koefisien fungsi tujuan maupun fungsi
Sifat kepastian pembatas merupakan suatu nilai pasti, bukan merupakan nilai dengan peluang tertentu.
 Asumsi PL
Divisibility (dapat dibagi)
•Asumsi ini menyatakan bahwa variabel dalam programasi linear tidak harus berupa bilangan bulat (integer), asalkan dapat dibagi secara
tak terbatas (infinitely divisible).

Non Negativity (tidak negatif)

•Suatu masalah yang akan diselesaikan dengan programasi linear harus diasumsikan bahwa setiap variabelnya bernilai lebih besar atau
sama dengan nol (≥ 0). Dengan kata lain, tidak ada variabel yang bernilai negatif.

Certainly (kepastian)
•Asumsi kepastian menyatakan bahwa kasus programasi linear harus berada dalam kondisi decision-makng under certainly, artinya semua
parameter dari variabel keputusan diketahui sebelumnya.

Linearity (linearitas)
•Asumsi ini membatasu bahwa fungsi tujuan dan fungsi-fungsikendala harus berbentuk linear.
 Formulasi Standar PL
Urutan pertama dalam penyelesaian adalah mempelajari sistem relevan dan mengembangkan pernyataan
permasalahan yang dipertimbangakan dengan jelas. Penggambaran sistem dalam pernyataan ini termasuk
pernyataan tujuan, sumber daya yang membatasi, alternatif keputusan yang mungkin (kegiatan atau aktivitas),
batasan waktu pengambilan keputusan, hubungan antara bagian yang dipelajari dan bagian lain dalam
perusahaan, dan lain-lain.

Penetapan tujuan yang tepat merupakan aspek yang sangat penting dalam formulasi masalah. Untuk
membentuk tujuan optimalisasi, diperlukan identifikasi anggota manajemen yang benar-benar akan melakukan
pengambilan keputusan dan mendiskusikan pemikiran mereka tentang tujuan yang ingin dicapai.
 Formulasi Standar PL (Lanjutan)
Memaksimumkan Z  c1 x1  c2 x2  ....  cn xn
Memaksimumkan Fungsi Tujuan
Kendala-kendala:
kendala - kendala
a11 x1  a12 x2  .......  a1n xn  b1
a21 x1  a22 x2  .......  a2 n xn  b2
Kendala Fungsional

am1 x1  am 2 x2  .......  amn xn  bm

dan
x1 , x2 ,............, xn  0 Kendala Non negatif
 Contoh Kasus Programasi Linear Sederhana
Untuk memahami bagaimana suatu tujuan maksimisasi dipecahkan dengan programasi linear, kita ambil contoh kasus perusahaan
UD Shuma. Hasil pengamatan pasar menunjukkan bahwa sepatu wanita dan sepatu anak mempunyai permintaan yang akan
sangat meningkat di masa-masa mendatang. Oleh karena itu, pimpinan perusahaan sepatu UD. Shuma memutuskan untuk
berkonsentrasi pada produksi kedua jenis sepatu tersebut. Selanjutnya, pimpinan perusahaan ingin mengetahui berapa pasang
masing-masing jenis sepatu harus diproduksi supaya keuntungan yang diperoleh dari menjual sepatu-sepatu tersebut maksimum.
Produksi untuk setiap unit sepatu yang dihasilkan meliputi tahap-tahap sebagai berikut:
1. Pengukuran dan pemotongan pola.
2. Pengeleman dan pengerian.
3. Pengeslepan.

Tiap tahap produksi ini dikerjakan oleh satu unit produksi, yaitu unit roduksi pengukuran dan pemotongan pola, unit produksi
pengeleman dan pengeringan, dan unit produksi pengeslepan.
Dari pengalaman, diperoleh gambaran waktu yang digunakan untuk memproduksi sepasang sepatu dari setiap jenis sepatu
pada setiap tahap produksi adalah sebagai berikut:
• Sepasang sepatu wanita membutuhkan waktu 10 menit untuk proses pengukuran dan pemotongan pola, 3 menit untuk
pengeleman dan pengeringan, serta 2 menit untuk pengeslepan.
• Sepasang sepatu anak membutuhkan waktu 2 menit untuk pengukuran dan pemotongan pola, 2 menit untuk pengeleman
dan pengeringan, serta 2 menit untuk pengeslepan.
 ...(Lanjutan)
Secara ringkas informasi waktu proses produksi untuk kedua jenis sepatu ini ditampilkan pada tabel. Sementara
kapasitas waktu dari tiap unit produksi (yaitu banyaknya waktu dalam satu hari yang disediakan oleh tiap unit
produksi untuk tiap-tiap tahap produksi) besarnya adalah sebagai berikut:
• 300 menit untuk pengukuran dan pemotongan pola.
• 120 menit untuk pengeleman dan pengeringan.
• 100 menit untuk pengeslepan.
 ...(Lanjutan)
Dalam rangka mementukan berapa pasang masing-masing
jenis sepatu harus dihasilkan oleh perusahaan per hari
supaya keuntungan yang diperoleh maksimum apabila
tiap pasang sepatu wanita dijual dengan harga Rp
4.000,00 dan Rp 1.000,00 untuk tiap pasang sepatu anak
perlu ditentukan fungsi tujuan dan fungsi kendala.
Fungsi Tujuan
Setiap model programasi linear mempunyai tujuan,
adapun tujuan dari kasus perusahaan sepatu UD. Shuma
adalah memaksimumkan keuntungan. Tujuan ini dapat
kita tuliskan dalam bentuk besarnya keuntungan yang
dapat diperoleh dari penjualan sepatu wanita dan sepatu
anak sebagai berikut:
Z = 4000X1 + 1000X2
Dimana Z menunjukkan besarnya keuntungan total X1
dan X2 masing-masing adalah jumlah sepatu wanita
dan sepatu anak yang dihasilkan (dalam pasang).
Keputusan yang harus diambil oleh perusahaan
adalah menetapkan nilai-nilai dari variabel X1 dan X2
yang dapat menghasilkan nilai Z yang paling besar.
Nilai-nilai dari variabel X1 dan X2 disebut variabel
keputusan.
Bila tujuan memaksimukan keuntungan merupakan
fungsi dari variabel-variabel keputusan, maka (4000X1
+ 1000X2) disebut sebagai fungsi tujuan. Dengan
demikian, dapat dikatakan bahwa tujuan dari
perusahaan adalah memaksimumkan nilai fungsi
tujuan dari perusahaan adalah memaksimumkan nilai
fungsi tujuan tersebut. Secara lebih jelas kita dapat
menuliskan fungsi tujuan diatas menjadi:
 ...(Lanjutan)
Memaksimumkan Z = memaksimumkan (4000X1 + 1000X2)

Dari persamaan fungsi tujuan ini, perusahaan berbagai kombinasi jumlah sepatu wanita dan sepatu anak yang
akan diproduksi, tetapi harus diingat bahwa ada kendala waktu yang membatasi jumlah sepatu yang dapat
diproduksi. Akibatnya perusahaan hanya dapat mempertimbangkan alternatif produksi yang memilii total
waktu kurang dari atau paling banyak sama dengan waktu yang dapat disediakan untuk setiap tahap produksi
pada setiap unit produksi.

Jumlah sepatu wanita dan sepatu anak atau kombinasi produksi yang dihasilkan disebut sebagai solusi
(solution). Namun hanya solusi yang memenuhi semua kendala saja yang merupakan solusi layak (feasible
soution). Sementara kombinasi produksi (solusi) yang layak yang dapat menghasilkan keuntungan maksimu
disebut solusi optimal (optimal solution). Jadi untuk dapat mengetahui solusi yang layak, pertama-tama harus
diidentifikasi semua kendala masalah yang dihadapi.
 ...(Lanjutan)
Kendala Masalah Ketidaksamaan ini disebut sebagai kendala pengukuran
dan pemotongan pola.
Kendala bagi kasus perusahaan UD. Shuma adalah Dengan cara yang sama, kita dapat menentukan
terbatasnya waktu yang dapat digunakan untuk tiap kendala-kendala dari tiap-tiap produksi lain sebagai
tahap produksi. Akan kita lihat bagaimana kendala ini berikut:
mempengaruhi proses pencapaian solusi optimal. Kendala pengeluaran dan pengeringan
Dari tabel pada slide sebelumnya, kita tah bahwa 3X1 + 2X2 ≤ 120
waktu untuk pengukuran dan pemotongan pola yang Kendala pengeslepan
dibutuhkan untuk sepasang sepatu anak masing-
2X1 + 2X2 ≤ 100
masing adalah 10 menit dan 2 menit. Jadi total waktu
unit produksi pengukuran dan pemotngan pola untuk Kendala lain yang harus ditambahkan supaya nilai X1
menghasilkan sepasang sepatu untuk kedua jenis dan X2 tidak negatif adalah:
sepatu adalah sebesar 10X1 + 2X2. X1 ≥ 0 dan X2 ≥ 0
Bila waktu yang tersedia untuk tahap ini hanya Secara singkat kendala tidak negatif ini dapat
sebesar 300 menit, berarti kombinasi produk yang dituliskan sebagai:
dipilih harus memenuhi persyaratan 10X1 + 2X2 ≤ 300. X1,X2 ≥ 0
 ...(Lanjutan)
Sekarang kita dapat menampilkan model matematika Model Matematika dari kasus perusahaan sepatu UD.
yang lengkap dari kasus perusahaan sepatu UD. Shuma ini merupakan model programasi linear karena
Shuma sebagai berikut: fungsi dan tujuan dan semua fungsi kendala (yaitu sisi
kiri ketidaksamaan fungsi kendala) merupakan fungsi
Memaks. 4000X1 + 1000X2 linear dari variabel-variabel keputusan. Suatu fungsi
dikatakan linear bila pangkat tertinggi dari variabe-
Kendala variabel keputusan adalah 1.
10X1 + 2X2 ≤ 300
3X1 + 2X2 ≤ 130
2X1 + 2X2 ≤ 100 Sampai disini proses pembentukan model programasi
X1,X2 ≥ 0 linear sudah selesai. Tugas selanjutnya adalah
menentukan berapa unit X1 dan X2 masing-masing harus
dihasilkan yang memenuhi semua kendala dan yang
menghasilkan nilai fungsi tujuan yang besar.
Tugas
1. Cari jurnal untuk pembahasan pemrograman linear
2. Perumusan model pemrogramana linear pada spreadsheet
3. Contoh studi kasus pemrograman linear klasik
4. Pembahasan perumusan model pemograman linear yang sangat besar
5. Buat kesimpulan sendiri tentang program linear
PERTEMUAN 3-4
METODE GRAFIK
 Highlight
• Membuat grafik dari fungsi
kendala.
• Penentuan Area layak dan
titik optimal.
• Studi kasus dalam metode
grafik.
 Metode Grafik
Metode grafik hanya bisa digunakan untuk menyelesaikan permasalahan dimana hanya
terdapat dua variabel keputusan. Untuk menyelesaikan permasalahan tersebut, langkah
pertama yang harus dilakukan adalah memformulasikan permasalahan yang ada ke
dalam bentuk Linear Programming (LP).

Langkah-langkah dalam formulasi permasalahan adalah :

• Pahamilah secara menyeluruh permasalahan manajerial yang dihadapi
• Identifikasikan tujuan dan kendalanya
• Definisikan variabel keputusannya

Metode grafik adalah satu cara yang dapat digunakan untuk memecahkan masalah
optimalisasi dalam programasi linier. Keterbatasan metode ini adalah variabel yang bisa
digunakan terbatas (hanya dua), penggunaan 3 variabel akan sangat sulit dilakukan.
 Istilah untuk solusi Model
Disini terdapat spesifikasi nilai untuk variabel keputusan (X1,X2,...,Xn) yang disebut solusi, tanpa
menhiraukan apakah solusi tersebut merupakan pilihan yang diinginkan maupun yang
dibolehkan. Tipe solusi yang berbeda akan diidentifikasi dengan menggunakan sifat yang tepat.
• Solusi layak (feasible solution) adalah solusi dimana semua kendala yang ada terpenuhi
• Solusi tak layak (infeasible solution) adalah solusi dimana sedikitnya satu kendala tidak
dipenuhi atau dengan kata lain dilanggar
Daerah layak adalah kumpulan semua solusi layak.
Suatu permasalahan mungkin saja tidak memiliki solusi layak. Hal ini mungkin terjadi pada
contoh soal di atas bila produk baru diharuskan mendatangkan laba bersih sedikitnya 50.000
dolar tiap minggu untuk menggantian bagian dari alur produksi sekarang yang terhenti. Kendala
yang sesuai, 3X1 + 5X2 ≥ 50 akan menghilangkan seluruh daerah layak sehingga tidak ada
penggabungan produk yang lebih baik untuk situasi saat ini. Kasus ini diilustrasikan pada gambar
1.
Dengan adanya beberapa solusi layak, tujuan pemrograman linear adalah menemukan solusi
layak yang terbaik, diukur dari nilai fungsi tujuan suatu model.
Solusi optimal adalah solusi layak yang memiliki nilai fungsi tujuan terbaik.
 ...(Lanjutan)
Nilai yang paling baik adalah nilai terbesar jika fungsi tujuannya adalah memaksimalkan, begitu juga
sebaliknya, yaitu nilai terkecil juga fungsi tujuannya adalah meminimalkan.
Sebagian besar permasalahan hanya memiliki satu solusi optimal. Akan tetapi, ada permasalahan yang
memiliki lebih dari satu solusi optimal. Hal ini terjadi pada contoh di atas bila keuntungan tiap batch yang
diproduksi oleh produk 2 berubah menjadi 2 dollar. Hal ini mengubah fungsi tujuan menjadi Z = 3X1 + 2X2
sehingga semua titik yang berada di garis yang menghubungkan 2 titik (2, 6) dan (4, 3) akan optimal. Kasus ini
diilustrasikan pada gambar 2 seperti kasus ini, setiap permasalahan yang memiliki banyak solusi optimal akan
memiliki jumlah solusi yang tak terbatas dimana masing-masing solusi memiliki nilai fungsi tujuan yang sama.
Kemungkinan lain adalah permasalahan yang tidak memiliki solusi optimal. Hal ini terjadi jika:
1. Tidak ada solusi layak
2. Kendala-kendala tidak mencegah nainya nilai fungsi tujuan (Z) ke arah yang tidak terdefinisi, baik ke arah
positif atau negatif.
Kasus terakhir memiliki Z yang tidak terbatas (unbounded Z) atau tujuan yang tidak terbatas (unbounded
objective). Sebagai ilustrasi, kasus di atas tidak memiliki solusi optimal bila dua kendala fungsional terakhir
dihapus, seperti pada gambar 3.
Selanjutnya kami akan mengenalkan sebuah tipe solusi layak yang berperan penting dalam penggunaan
metode simpleks untuk mencari solusi optimal.
 ...(Lanjutan)
X2
Gambar 1
10

Permasalahan Wyndor 3X1 + 5X2 ≥ 50

Memaksimalkan
Sesuai dengan
Z = 3X1 + 5X2
X1 ≤4
Glass Co. tidak akan 8 2X2 ≤ 12
3X1 + 2X2 ≤ 18
memiliki solusi layak jika 3X1 + 5X2 ≥ 50
Dan X1 ≥ 0, X2 ≥ 0
kendala 3X1 + 5X2 ≥ 50
ditambahkan ke dalam 6

persooalan. 2X2 ≤ 12

4 3X1 + 2X2 ≤ 18

X1 ≥ 0
2 X1 ≤ 4

X2 ≥ 0

0 X2
2 4 6 8 10
 ...(Lanjutan)
X2
Memaksimalkan Z = 3X1 + 2X2
Z = 18 = 3X1 + 2X2 Sesuai dengan X1 ≤4
2X2 ≤ 12
3X1 + 2X2 ≤ 18
8 Dan X1 ≥ 0, X2 ≥ 0
Gambar 2
Setiap titik pada segmen garis
Permasalahan Wyndor Glass Co. akan memiliki yang lebih gelap bernilai
6
banyak solusi optimal jika fungsi tujuan diubah optimal, masing-masing dengan
menjadi Z = 3X1 + 2X2. Z 18
4

Area Layak
2

0 X1
2 4 6 8 10
 ...(Lanjutan)
X2 (4, ), Z =

8
10 (4, 10), Z = 62

Memaksimalkan Z = 3X1 + 5X2

8 (4, 8), Z = 52 Sesuai dengan X1 ≤ 4
Gambar 3
Dan X1, X1 ≥ 0. X2 ≥ 0
Permasalahan Wyndor Glass Co. Tidak akan (4, 6), Z = 42
6
memiliki solusi optimal jika kendala fungsional
hanya X1 ≤ 4 karena X2 dapat meningkat tanpa Area Layak
terbatas pada daerah layak tanpa mencapai nilai
maksimum dari Z = 3X1 + 5X2. 4 (4, 4), Z = 32

2 (4, 2), Z = 22

0 X1
2 4 6 8 10
 ...(Lanjutan)
X2

(0, 6) (2, 6)

Gambar 4

Lima titik merupakan 5 solusi CPF untuk

persoalan Wyndor Glass Co.
(4, 3)
Area Layak

X1
(0, 0) (4, 0)
 Corner-Point Feasible (CPF)
Solusi corner-point feasible (CPF) adalah solusi yang berada di setiap sudut daerah
layak.

Gambar 4 menunjukan 5 buah solusi CPF dari contoh soal di atas. Hubungan antara solusi optimal
dan solusi CPF: untuk tiap permasalahan linear dengan sousi layak dan sebuah daerah layak yang
terbatas. Permasalahan tersebut harus memiliki solusi-solusi CPF dan sedikitnya satu solusi
optimal. Selanjutnya, solusi CPF terbaik harus merupakan sebuah solusi optimal. Jadi, jika sebuah
permasalahan hanya mempunyai satu solusi optimal, solusi tersebut pastilah solusi CPF. Jika suatu
permasalahan mempunyai banyak solusi tersebut astilah solusi CPF. Jika suatu permasalahan
mempunyai banyak solusi optimal maka sedikitnya dua solusi harus merupakan solusi CPF.

Contoh diatas hanya memiliki satu solusi optimal (X1, X2) = (2, 6) yang juga merupakan solusi CPF.
Saat contoh di atas dimodifikasi untuk menghasilkan banyak solusi optimal, seperti yang
ditunjukkan di gambar 2, dua dari solusi optimal (2, 6) dan (4, 3) adalah solusi CPF.
 Membuat Grafik dari fungsi Kendala
Berkaitan dengan sumber daya yang digunakan, perusahaan tidak bisa memperkirakan secara tepat kebutuhan
sumber daya yang digunakan untuk mencapai keuntungan tertentu. Biasanya perusahaan menyediakan
sumber daya tertentu yang merupakan kebutuhan minimum atau maksimum. Kondisi seperti ini secara
matematis diungkapkan dengan pertidaksamaan. Kendala yang pertama adalah waktu yang tersedia di
departemen pembuatan. Total waktu yang diperlukan untuk pembuatan X1 (meja) dimana untuk membuat
satu unit meja diperlukan waktu 4 jam kerja dan untuk pembuatan X2 (kursi) diperlukan waktu 3 jam kerja.

Total waktu pembuatan yang tersedia adalah 240 jam, Seperti halnya pada kendala yang pertama, maka pada
kendala kedua dapat diketahui bahwa total waktu yang diperlukan untuk pengecatan X1 (meja) diperlukan
waktu 2 jam kerja dan untuk pengecatan X2 (kursi) dibutuhkan waktu 1 jam kerja. Total waktu pengecatan yang
tersedia adalah 100 jam. Salah satu syarat yang harus dipenuhi dalam Linear Programming adalah asumsi nilai
X1 dan X2 tidak negatif. Artinya bahwa X1 ≥ 0 (jumlah meja yang diproduksi adalah lebih besar atau sama
dengan nol) . X2 ≥ 0 (jumlah kursi yang diproduksi adalah lebih besar atau sama dengan nol) Dari uraian di atas
dapat dirumuskan formulasi permasalahan secara lengkap sebagai berikut :
 Penentuan Area layak dan Titik Optimal

Memotong sumbu X2 pada saat X1 = 0

0 + 3 X2 = 240
X2 = 240/3
= 80

Kendala I memotong sumbu X1 pada titik (60, 0) dan memotong

sumbu X2 pada titik (0, 80).

Kendala II: 2 X1 + X2 = 100 memotong sumbu X1 pada saat X2 = 0.

2 X1 + 0 = 100
X1 = 100/2
= 50

memotong sumbu X2 pada saat X1 =0

0 + X2 = 100
X2 = 100

Kendala I memotong sumbu X1 pada titik (50, 0) dan memotong

sumbu X2 pada titik (0, 100).
Area Layak
 Penentuan Area layak dan Titik Optimal

Titik potong kedua kendala bisa Sehingga kedua kendala akan saling berpotongan pada
dicari dengan cara substitusi atau titik (30, 40). Tanda ≤ pada kedua kendala ditunjukkan
eliminasi: pada area sebelah kiri dari garis kendala. Sebagaimana
nampak pada gambar sebelumnya, feasible region (area
2 X1 + X2 = 100 layak) meliputi daerah sebelah kiri dari titik A (0; 80), B
X2 = 100 - 2 X1 (30; 40), dan C (60; 0). Untuk menentukan solusi yang
4 X1 + 3 X2 = 240 optimal, ada dua cara yang bisa digunakan yaitu :
1. dengan menggunakan garis profit (iso profit line)
4 X1 + 3 (100 - 2 X1) = 240 2. dengan titik sudut (corner point)
4 X1 + 300 - 6 X1 = 240
- 2 X1 = 240 - 300 Penyelesaian dengan menggunakan garis profit adalah
= - 60 penyelesaian dengan menggambarkan fungsi tujuan.
Kemudian fungsi tujuan tersebut digeser ke kanan
X1 = -60/-2 = 30. sampai menyinggung titik terjauh dari dari titik nol,
X2 = 100 - 2 X1 tetapi masih berada pada area layak (feasible region).
X2 = 100 - 2 * 30 Untuk menggambarkan garis profit, kita mengganti nilai Isoprofit Line
= 100 - 60 Z dengan sembarang nilai yang mudah dibagi oleh
= 40 koefisien pada fungsi profit. Pada kasus ini angka yang
mudah dibagi angka 7 (koefisien X1) dan 5 (koefisien X2)
adalah 35. Sehingga fungsi tujuan menjadi 35 = 7
 Penentuan Area layak dan Titik Optimal
X1 + 5 X2. Garis ini akan memotong sumbu X1 pada titik (5, 0) dan memotong sumbu X2 pada titik (0, 7). Dari gambar 2. 2 dapat
dilihat bahwa iso profit line menyinggung titik B yang merupakan titik terjauh dari titik nol. Titik B ini merupakan titik optimal.
Untuk mengetahui berapa nilai X1 dan X2, serta nilai Z pada titik B tersebut, kita mencari titik potong antara kendala I dan
kendala II (karena titik B merupakan perpotongan antara kendala I dan kendala II). Dengan menggunakan eliminiasi atau
subustitusi diperoleh nilai X1 = 30, X2 = 40. dan Z = 4.100.000. Dari hasil perhitungan tersebut maka dapat disimpulkan bahwa
keputusan perusahaan yang akan memberikan profit maksimal adalah memproduksi X1 sebanyak 30 unit, X2 sebanyak 40 unit
dan perusahaan akan memperoleh profit sebesar 4.100. 000. Penyelesaian dengan menggunakan titik sudut (corner point)
artinya kita harus mencari nilai tertinggi dari titik-titik yang berada pada area layak (feasible region).

Dari gambar pada slide sebelumnya, dapat dilihat bahwa ada 4 titik yang membatasi area layak, yaitu :
titik 0 (0, 0), A (0, 80), B (30, 40), dan C (50, 0).

Keuntungan pada titik O (0, 0) adalah (70.000 x 0) + (50.000 x 0) = 0.

Keuntungan pada titik A (0; 80) adalah (70.000 x 0) + (50.000 x 80) = 4.000.000
Keuntungan pada titik B (30; 40) adalah (70.000 x 30) + (50.000 x 40) = 4.100.000.
Keuntungan pada titik C (50; 0) adalah (70.000 x 50) + (50.000 x 0) = 3.500.000.

Karena keuntungan tertinggi jatuh pada titik B, maka sebaiknya perusahaan memproduksi meja sebanyak 30 unit dan kursi
sebanyak 40 unit, dan perusahaan memperoleh keuntungan optimal sebesar 4.100.000.
 Studi Kasus Metode Grafik
(Masalah Maksimisasi)
MASALAH MAKSIMISASI
Maksimasi dapat berupa memaksimalkan keuntungan atau hasil.
Contoh:

PT LAQUNATEKSTIL memiliki sebuah pabrik yang akan memproduksi 2 jenis produk, yaitu kain sutera dan kain wol. Untuk
memproduksi kedua produk diperlukan bahan baku benang sutera, bahan baku benang wol dan tenaga kerja. Maksimum
penyediaan benang sutera adalah 60 kg per hari, benang wol 30 kg per hari dan tenaga kerja 40 jam per hari. Kebutuhan setiap
unit produk akan bahan baku dan jam tenaga kerja dapat dilihat dalam tabel berikut:

Jenis Bahan Baku Kg Bahan Baku & Jam Tenaga Kerja Maksimum
dan Tenaga Kerja Kain Sutra Kain Wol Penyediaan
Benang Sutra 2 3 60 kg
Benang Wol - 2 30 kg
Tenaga Kerja 2 1 40 kg
 ...(Lanjutan)
Langkah-langkah:

1) Tentukan variabel 4) Membuat grafik

X1=kain sutera 1. 2X1 + 3 X2 =60
X2=kain wol X1=0, X2 =60/3 = 20
X2=0, X1= 60/2 = 30
2) Fungsi tujuan
Zmax= 40X1 + 30X2 2. 2X2 30
X2=15
3) Fungsi kendala / batasan
1. 2X1 + 3X2 60 (benang sutera) 3. 2X1 + X2 40
2. 2X2 30 (benang wol) X1=0, X2 = 40
3. 2X1 + X2 40 (tenaga kerja) X2=0, X1= 40/2 = 20
 ...(Lanjutan)
Cara mendapatkan solusi optimal: Masukkan X2 ke kendala (1) Titik E
1. Dengan mencari nilai Z setiap titik ekstrim. 2X1 + 3X2 = 60 X2 = 15
2X1 + 3 . 10 = 60 X1 = 0
Titik A 2X1 + 30 = 60 masukkan nilai X1 dan X2 ke Z
X1=0, X2=0 2X1 = 30 X1 = 15 Z = 40 . 0 + 30 .15 = 450
masukkan nilai X1 dan X2 ke Z masukkan nilai X1 dan X2 ke Z
Z = 40 . 0 + 30 . 0 = 0 Z = 40X1 + 30X2 Kesimpulan :
= 40 . 15 + 30 . 10 untuk memperoleh keuntungan optimal,
Titik B = 600 + 300 = 900 (optimal) maka X1 = 15 dan X2 = 10 dengan
X1=20, X2=0 keuntungan sebesar Rp 900 juta.
masukkan nilai X1 dan X2 ke Z Titik D
Z = 40 . 20 + 30 . 0 = 800 2X2 = 30
X2 = 15
Titik C masukkan X2 ke kendala (1)
Mencari titik potong (1) dan (3) 2X1 + 3 . 15 = 60
2X1 + 3X2 = 60 2X1 + 45 = 60
2X1 + X2 = 40 2X1 = 15 X1 = 7,5
2X2=20 X2=10 masukkan nilai X1 dan X2 ke Z
Z = 40 . 7,5 + 30 . 15 = 300 + 450 = 750
 ...(Lanjutan)
2. Dengan cara menggeser garis fungsi tujuan.
Solusi optimal akan tercapai pada saat garis fungsi tujuan menyinggung daerah feasible (daerah yang diliputi oleh semua
kendala) yang terjauh dari titik origin. Pada gambar, solusi optimal tercapai pada titik C yaitu persilangan garis kendala (1)
dan (3).

Titik C

Mencari titik potong (1) dan (3)

2X1 + 3X2 = 60
2X1 + X2 = 40
2X2=20
X2=10

Masukkan X2 ke kendala (1)

2X1 + 3X2 = 60
2X1 + 3 . 10 = 60
2X1 + 30 = 60
2X1 = 30 X1 = 15

Masukkan nilai X1 dan X2 ke Z

40X1 + 30X2 = 40 . 15 + 30 . 10 = 600 + 300 = 900
 Studi Kasus Metode Grafik
(Masalah Minimisasi)
MASALAH MINIMISASI
Minimisasi dapat berupa meminimumkan biaya produksi. Solusi optimal tercapai pada saat garis fungsi tujuan menyinggung
daerah fasible yang terdekat dengan titik origin.

Contoh:
Perusahaan makanan ROYAL merencanakan untuk membuat dua jenis makanan yaitu Royal Bee dan Royal Jelly. Kedua jenis
makanan tersebut mengandung vitamin dan protein. Royal Bee paling sedikit diproduksi 2 unit dan Royal Jelly paling sedikit
diproduksi 1 unit. Tabel berikut menunjukkan jumlah vitamin dan protein dalam setiap jenis makanan:

Jenis Makanan Vitamin (unit) Protein (unit) Biaya per unit (ribu rupiah)
Royal Bee 2 2 100
Royal Jelly 1 3 80
Minimum Kebutuhan 8 12 -
 ...(Lanjutan)
Solusi optimal tercapai pada titik B (terdekat
Bagaimana menentukan kombinasi kedua 4. Membuat grafik
dengan titik origin), yaitu:
jenis makanan agar meminimumkan biaya
produksi. Langkah – langkah: 1) 2X1 + X2 = 8
persilangan garis kendala (1) dan (2).
X1 = 0, X2 = 8
2X1 + X2 = 8
X2 = 0, X1 = 4
1. Tentukan variabel 2X1 + 3X2 = 12
2) 2X1 + 3X2 = 12
X1 = Royal Bee -2X2 = -4 X2 = 2
X1 = 0, X2 = 4
X2 = Royal Jelly
X2 = 0, X1 = 6
3) X1 = 2 masukkan X2 ke kendala (1)
2. Fungsi tujuan 4) X2 = 1 2X1 + X2 = 8
Zmin = 100X1 + 80X2 2X1 + 2 = 8
2 X1 = 6 X1 = 3
3. Fungsi kendala
1) 2X1 + X2 8 (vitamin) masukkan nilai X1 dan X2 ke Z
2) 2X1 + 3X2 12 (protein) Z min = 100X1 + 80X2 = 100 . 3 + 80 . 2 = 300
3) X1 2 + 160 = 460
4) X2 1
Kesimpulan :
Untuk meminimumkan biaya produksi, maka
X1 = 3 dan X2 = 2 dengan biaya produksi 460
ribu rupiah.
Tugas 1
Perusahaan Mebel menghasilah dua jenis produk yaitu lemari dan meja. Harga masing-masing
barang terlihat pada tabel, dengan penjualan meja tidak lebih dari 4 unit.

Jenis Produk Sumber daya yang

Sumber Daya
Lemari Meja tersisa
Bahan Baku 1 2 10
Tenaga Kerja 6 4 36
Harga Per Unit 4 5
a. Maksimumkan penerimaan
b. Buat grafik dan tentukan daerah feasible solution pada grafik tersebut
c. Tentukan nilai optimal
Tugas 1

Perusahaan makanan ROYAL merencanakan untuk membuat dua jenis makanan yaitu Royal Bee dan Royal Jelly.
Kedua jenis makanan tersebut mengandung vitamin dan protein. Royal Bee paling sedikit diproduksi 2 unit dan
Royal Jelly paling sedikit diproduksi 1 unit. Tabel berikut menunjukkan jumlah vitamin dan protein dalam setiap
jenis makanan, maka minimumkan biaya produksi. Solusi optimal tercapai pada saat garis fungsi tujuan
menyinggung daerah feasible yang terdekat dengan titik origin.

Jenis Makanan Vitamin (unit) Protein (unit) Biaya per unit (ribu rupiah)
Royal Bee 1 2 100
Royal Jelly 3 5 80
Minimum Kebutuhan 8 12 -
PERTEMUAN 5
METODE SIMPLEKS
 Highlight

• Metode simpleks untuk

studi kasus maksimasi.
• Metode simpleks untuk
studi kasus minimasi.
 Metode Simpleks
Persoalan program linier tidak selalu sederhana karena melibatkan banyak constraint (pembatas) dan banyak
variabel sehingga tidak mungkin diselesaikan dengan metode grafik. Oleh karena itu serangkaian prosedur
matematik (aljabar linier) diperlukan untuk mencari solusi dari persoalan yang rumit tersebut. Prosedur yang
paling luas digunakan adalah Metode Simpleks. Penemuan metode ini merupakan lompatan besar dalam Riset
Operasi dan digunakan sebagai prosedur penyelesaian dari setiap program komputer.
 ...(Lanjutan)
Bentuk Tabel :
Setelah formulasi standar simpleks terbentuk maka semua koefisien fungsi objektif , fungsi kendala dan semua komponen yang
sudah dibentuk dalam standar pemrograman linear akan dimasukkan ke dalam tabel simpleks.

Cj C1 C2 Cn Cn+1 ........ Cn+m

Cb V1B1 P1 P2 Pn Pn+1 ........ Pn+m B
Cn+1 Pn+1 a11 a12 am an+1 ........ ........ b1
Cn+2 Pn+2 a21 a22 am a2n+1 ........ ........ b2
Cn+m Pn+m am A12 amn anm+1 ........ anm+m bn+m
Zj - Cj Z1-C1 Z2-C2 Znm Zn+1 ........ Zn+m
 Langkah penyelesaian pengambilan
keputusan dengan metode simpleks meliputi:

Mengubah bentuk ketidaksamaan fungsi kendala menjadi bentuk standard dengan cara menambah variabel slack atau variabel surplus.

Mengubah bentuk persamaan kendala di atas ke dalam suatu tabel yaitu tabel simpleks untuk mendapatkan penyelesaian dasar awal.

Mengulangi penyelesaian dasar yang satu ke penyelesaian dasar yang lain hingga diperoleh penyelesaian dasar yang optimal.
Penyelesaian optimal kasus-kasus maksimisasi tercapai bila semua pada baris evaluasi neto Cj – Zj lebih kecil atau sama dengan nol.

Syarat penyelesaian dengan metode simpleks adalah bahwa nilai sisi kanan fungsi kendala harus
bertanda positif. Fungsi kendala yang nilai kanannya negatif harus diubah dulu menjadi positif
dengan cara mengalikan kedua sisi dengan (-1) dan sebagai akibatnya mengubah arah tanda
ketidaksamaan.
Contoh Kasus
...(Lanjutan)
...(Lanjutan)
...(Lanjutan)
 Metode Simpleks untuk
Studi kasus Maksimisasi
Kasus Maksimisasi
...(Lanjutan)
...(Lanjutan)
...(Lanjutan)
...(Lanjutan)
 Metode Simpleks untuk
Studi kasus Minimisasi
Minimumkan Z = 3X1 + 5X2 Langkah 2:
Batasan (constrain)
(1) 2X1 =8 Mengubah fungsi tujuan (Z) dengan bantuan fungsi
(2) 3X2 ≤ 15 kendala yang memiliki artificial variable (M).
(3) 6X1 + 5X2 ≥ 30

Penyelesaian dari kasus di atas adalah:

Langkah 1:
Mengubah fungsi tujuan dan batasan-batasan
Fungsi batasan (diubah menjadi kesamaan & di + slack variabel)
(1) 2X1 = 8 menjadi 2X1 + X3 = 8
(2) 3X2 ≤ 15 menjadi 3X2 + X4 = 15
(3) 6X1 + 5X2 ≥ 30 menjadi 6X1 + 5X2 - X5 + X6 = 30

Fungsi tujuan
Z = 3X1 + 5X2 diubah menjadi (-Z) = - 3X1 - 5X2 - MX3 – MX6
-Z + 3X1 + 5X2 + MX3 + MX6 = 0
...(Lanjutan)
...(Lanjutan)
PERTEMUAN 6-7
APLIKASI PROGRAM LINIER (PL)
 Highlight

• Studi Kasus PL dengan

menggunakan Excel Solver
 Pemecahan Metode Simplex Dalam Program
Linier Dengan Fungsi Solver Di Excel
Excel solver memiliki sebuah alat yang disebut Solver , yang
menggunakan metode simpleks untuk menemukan sebuah
solusi optimal. Saat mengakses solver untuk pertama
kalinya, Anda harus menginstalnya dengan melihat excel’s
add dan menambah solver, yang akan anda lihat di tools
menu, pemanfaatan program Excel Solver dalam
pembelajaran Pemrograman Linear. Program ini dapat
digunakan dengan mudah karena tinggal menginstal solver
yang ada dalam Microsoft Excel. Program Excel Solver dapat
dimanfaatkan sebagai alat bantu dalam pembelajaran
Pemrograman Linear tanpa melupakan pentingnya
penguasaan konsep, teori, dan prosedur.
 Pemecahan Metode Simplex Dalam Program
Linier Dengan Fungsi Solver Di Excel
Aplikasi pengembangan program linear dengan excel solver
Pastikan fungsi solver sudah diaktifkan
di excel anda (lihat langkah 2 jika sudah
aktif), kita lanjut cara mengaktifkan
fungsi solver di excel.

Dari menu File->Option->Add Ins-

>Analysis ToolPak->Ceklist Solver Add
In->Go (lihat gambar dibawah)
 ...(Lanjutan)
• Jika sudah aktif cek, di menu Data (seperti gambar dibawah ini)

Fungsi Solver Sudah Aktif

• Langkah selanjutnya kita menyelesaikan persoalan program linier dengan metode

simplex menggunakan fungsi solver di excel
 Contoh Soal
Seorang pedagang menjual buah mangga, pisang, dan jeruk dengan menggunakan gerobak. Pedagang tersebut membeli mangga dengan
harga Rp8.000/kg, pisang Rp6.000/kg dan jeruk Rp10.000/kg. Modal yang tersedia Rp1.200.000 dan gerobaknya hanya dapat memuat
mangga, pisang, dan jeruk sebanyak 180kg. Jika harga jual mangga Rp9.200/kg, pisang Rp7.000/kg, dan jeruk Rp.1.1500/kg, maka berapa laba
maksimum yang diperoleh?

Penyelesaian
Formulasi Linier Programming :
Variabel : A=Mangga, B=Pisang, C=Jeruk
Fungsi Tujuan :
Laba penjualan buah mangga = 9.200 – 8.000 = 1.200
Laba penjualan buah pisang = 7.000 – 6.000 = 1.000
Laba penjualan buah jeruk = 11.500 -10.000 = 1.500
Zmax= 1200A +1000B +1500C
Fungsi Batasan :
8000A + 6000B + 10000C ≤ 1200000
A + B + C ≤ 180

Setelah kita mengetahui Fungsi Tujuan dan Fungsi Batasannya, selanjutnya kita akan menggunakan excel untuk melihat berapa banyak buah
yang harus dibeli dan juga laba maksimal yang diperoleh.
 ...(Lanjutan)
• Langkah pertama kita buka aplikasi MS.Excel pastinya (ingat fungsi solver harus sudah aktif).
• Kemudian buat tabel seperti dibawah ini (kalian juga bisa membuat tabel sesuai kebutuhan kalian tidak harus
persis sama).
 ...(Lanjutan)
•Jika sudah dibuat masukan rumus pada masing-masing cell seperti gambar dibawah ini.
 ...(Lanjutan)
•Setelah semua rumus telah diisi dilanjutkan dengan fungsi solver yang terletak pada menu Data Solver, kemudian isikan
parameter seperti gambar dibawah ini.
 ...(Lanjutan)
• Jika semua diisi tekan solve, maka akan tampil hasilnya seperti
dibawah ini.

• Setelah hasilnya diketahu kita dapat mengambil kesimpulan bahwa :

Buah Mangga (A) = 0 (tidak perlu menjual buah mangga)

Buah Pisang (B) = 150 kg
Jeruk (C) = 30 kg
Dengan total labanya sebesar Rp 195.000
Tugas
1 Produk yang dihasilkan ada dua yaitu produk X dan Y.
2 Profit per unit produk X adalah 23, dan produk Y adalah 32.
3 Tiap produk akan melalui 3 mesin untuk diproses, yaitu mesin Cutting, Folding, dan Packaging.
dengan resource masing-masing mesin adalah : 2500, 2000, 500 --> Resource Persediaan
4 Resource mesin Cutting, Folding, dan Packaging yang diperlukan untuk menghasilkan 1 unit
produk X sebesar 10, 5, 1. Sedangkan untuk produk Y sebesar 6, 10, 2 --> Resource yang diperlukan
Untuk mendapatkan profit maksimum, berapakah jumlah produk X dan produk Y yang perlu
5
dihasilkan ?
Penggunaan Penggunaan Penggunaan
Proses Persediaan Digunakan Resource Produk Resource Produk Resource Produk
meja baju kursi
Cutting 2500 2500 10 12 6
Folding 2000 2000 5 3 10
Packaging 500 400 1 2 2

Profit per unit 23 15 32

Total Profit Masing-masing Produk ? ? ?
Total Profit Maksimum Kedua Jenis Produk (X dan Y) ? ?
PERTEMUAN 8
UJIAN TENGAH SEMESTER
(UTS)
PERTEMUAN 9-10
ANALISIS SENSITIFITAS
 Highlight
• Konsep Sensitifitas.
• Interpretasi Ekonomi.
• Penyelesaian Masalah
Dual Dengan Metode
Simpleks.
 Konsep Sensitivitas
Analisis sensitivitas adalah studi tentang bagaimana perubahan penyelesaian optimal dan nilai penyelesaian
optimal dari programasi linear sebagai akibat dari perubahan koefisien suatu variabel keputusan. Adapun
penggunaan analisis ini adalah untuk mendinamiskan penyelesaian dengan programasi linear yang bersifat
statis menjadi mampu mengakomodasi perubahan-perubahan yang terjadi dalam dunia nyata. Dalam hal ini
perkiraan penyelesaian optimal dapat dinyatakan dalam suatu range yang disebut range optimalitas. Analisis
sensitivitas dapat juga digunakan untuk melihat perubahan pada nilai penyelesaian optimal akibat dari
perubahan nilai pada sisi kanan fungsi kendala.

Analisis sensitivitas digunakan untuk melakukan interpretasi penyelesaian yang telah dicapai sehingga menjadi
lebih mudah dipahami. Dengan kata lain analisis sensitivitas membuat penyelesaian programasi linear yang
bersifat statis menjadi alat dinamis yang mampu mengevaluasi perubahan situasi. Alasan utama pentingnya
dilakukan analisis ini adalah dinamisasi dunia nyata. Artinya, kasus-kasus dalam dunia nyata yang dipecahkan
dengan programasi linear selalu mengalami perubahan. Misal kenaikan upah,pergantian mesin, dan sebagainya
akan merubah koefisien fungsi tujuan. Hal ini tentu saja akan berpengaruh terhadap penyelesaian yang
diperoleh. Dengan analisis sensitivitas dimungkinkan memperoleh informasi untuk merencanakan perubahan-
perubahan seperti ini tanpa harus mengulang seluruh proses programasi linear secara lengkap.
 ...(Lanjutan)
Sebagai contoh, misalnya pada perusahaan UD. Shuma yang mempunyai penyelesaian optimal 25,7 unit sepatu
wanita dan 21,5 unit sepatu anak dengan keuntungan per unit dari masing-masing jenis sepatu sebesar Rp.
4000,00 dan Rp.1000,00. Sekarang dimisalkan terjadi penurunan harga sepatu wanita menjadi Rp.2000,00.
Apakah jumlah produksi tersebut masih merupakan penyelesaian optimal bagi perusahaan? Jawaban atas
pertanyaan ini dapat dicari dengan analisis sensitivitas. Bila jawabannya ya, maka tidak perlu lagi memecahkan
programasi linear yang telah mengalami perubahan tersebut.

Analisis sensitivitas dapat memberikan estimasi kritis terhadap formulasi koefisien dalam model. Hasil analisi
dapat memberi informasi kepada manajer apakah perkiraan keuntungan atau harga per unit produk
merupakan perkiraan yang baik atau tidak berdasarkan range optimalitas koefisien fungsi tujuan. Range
optimalitas adalah range nilai keuntungan atau harga per unit yang mungkin bagi perusahaan harus merubah
penyelesaian optimal jumlah produksi.

Aspek lain dari analisis sensitivitas adalah yang berkaitan dengan perubahan nilai pada sisi kanan fungsi
kendala. Perubahan yang demikian dapat terjadi bila terdapat perubahan kapasitas produksi atau perubahan
waktu operasi pada tiap-tiap unit produksi.
 ...(Lanjutan)
Analisis sensitivitas akan memberikan bantuan dua arah dalam pelaksanaannya, yaitu:
1. Dengan menunjukkan adanya kebutuhan untuk menentukan data yang tepat dan juga ketepatan dari model yang akan digunakan.
2. Dapat memberikan informasi atau penjelasan kepada pimpinan untuk seberapa jauh ia dapat menyimpang dari solusi optimal sebelum
pelaksanaan yang akan meningkatkan pembiayaan ataupun mengakibatkan terjadinya penurunan keuntungan.

Pada analisis sensitivitas sering juga terdapat beberapa data yang belum memberikan validitas yang tepat dan benar sehingga perlu dilakukan
perubahan-perubahan pada solusi optimal sehingga didapatkan nilai yang tepat.

Analisis sensitivitas akan dapat memberikan petunjuk kepada pimpinan atau para peneliti untuk menilai data mana yang paling pentin dan utama,
yang diperlukan, termasuk juga data mana yang hanya berperan sebagai bantuan.

Dengan demikian pada pemrograman linear terdapat beberapa kemungkinan perubahan atau analisis sensitivitas yang sangat terkait dengan
formulasinya, yang dapat dinyatakan sebagai berikut:
1. Perubahan pada fungsi objektif terutama berlaku pada koefisiennya.
2. Perubahan pada fungsi-fungsi kendala terutama juga ada koefisiennya.
3. Perubahan pada fungsi-fungsi kendala dengan penambahan atau pengurangan variabel keputusan tertentu.
4. Perubahan pada fungsi-fungsi kendala dengan penambahan atau pengurangan fungsi kendala.
5. Perubahan pada konstanta atau fungsi di sebelah kanan (luar) dari tanda ketidaksamaan atau persamaan sebagai suatu material yang
diperlukan.
 Interpretasi Ekonomi
Dua Indikator Ekonomi : dual price & reduced cost

• Dual price mewakili nilai per unit dari sumber daya LP  Model Dual
• Reduced Price mewakili penurunan dalam biaya per unit sumber daya yang diperlukan (atau kenaikan dalam pengembalian
marginal) untuk membuat sebuah kegiatan sumber daya LP(var) sekedar menguntungkan.  Model Primal

Dalam kebanyakan persoalan pemrograman model linear terdapat kepentingan interpretasi ekonomi yang terutama yang
menjurus pada model alokasi dana sumber daya yang diuraian secara sederhana.

Sebagai ilustrasi dapat ditunjukkan suatu perusahaan produksi yang mempunyai tiga sumber bahan, R1, R2, dan R3 untuk
membuat empat produk P1,P2,P2 dan P4.

Setiap unit dari masing-masing sumber bahan membutuhkan dan memberikan satu unit dari setiap produk dan juga memberikan
harga jual dalam dollar dari setiap produk serta jumlah dari setiap sumber bahan yang tersedia. Tabel di bawah ini memberikan
data sebagai berikut:
 ...(Lanjutan)
Sumber P1 P2 P3 P4 Tersedia
R1 2 1 1 1 30
R2 1 0 2 1 15
R3 1 1 1 0 5
Pendapatan 3 1 4 5 Dalam Dollar

Perusahaan tersebut akan menggunakan pemrograman linear untuk mendapatkan revenue (pendapatan) yang maksimum
dari penjualan produk Pj untuk j = 1,2,3,dan 4. Dengan demikian formulasi pemrograman linearnya dapat dinyatakan
sebagai berikut:

Maksimum Z = 6X1 +X2 + 4X3 + 5X4

Dengan Kendala:
2X1 + X2 + X3 + X4 ≤ 30
X1 + 2X3+ X4 ≤ 15
X2 + X2 + X3 ≤5
 ...(Lanjutan)
Tabel Simpleks yang pertama ini dinyatakan dengan T dan
Dengan Xj ≥ 0, untuk j = 1,2,3,4. Selanjutnya dilakukan formulasi penambahan variabel slack Si, untuk i = 1,2,3 dapat diproses
standar dan langsung dimaksukkan dalam tabel simpleks berikut ini: sehingga diperoleh tabel simpleks yang optimal T* dan disusun
sebagai berikut:
Tabel Primal Pertama Tabel Primal Pertama
Cj 6 1 4 5 0 0 0 Cj 6 1 4 5 0 0 0
Cb Vb X1 X2 X3 X4 S1 S2 S3 b Cb Vb X1 X2 X3 X4 S1 S2 S3 b
0 S1 2 1 1 1 1 0 0 30 0 S1 0 -1 -1 0 1 -1 -1 10
0 S2 1 0 2 1 0 1 0 15 5 X4 0 -1 1 1 0 1 -1 10
0 S3 1 1 1 0 0 0 1 5 6 X1 1 1 1 0 0 0 1 5
Zj - Cj -6 -1 -4 -5 0 0 0 0 Zj - Cj 0 0 7 0 0 0 0 80
 ...(Lanjutan)
Hasil dari tabel simpleks yang optimal di bawah ini adalah:

X1= 6
X2= 0
Zopt = 6(5) + 1(0) + 4(0) + 5(0)
X3= 0 = 80
X4= 5

Ada satu perusahaan lain yang akan membeli produk. Dengan adanya satu unit sumber R2, maka perusahaan akan memikirkan
perubahan revenuer dari penjualan tersebut namun bila perusahaan ini menjual satu unit dari sumber R2 maka hal itu sangat
berpengaruh pada produksi optimal dari program X* dan revenue dari produksi keseluruhan akan menurun.

Dengan demikian perusahaan ini akan mempertanyakan, “Berapakah harga minimum yang dapat diubah untuk satu unit dari
sumber R2 bila total revenue dapat tetap pada ≥ $80,-?”.

Pertanyaan ini dapat dimulai dengan variabel slack S2 = 0 dari dalam tabel optimal T* yang berarti seluruh sumber R2 akan
terpakai dalam produksi dari program X* yang optimal.
 ...(Lanjutan)
Penjualan satu unit dari sumber R 2 berarti terdapat satu unit yang dikeluarkan atau dikurangi, sehingga tetap S 1 = 1 sehingga tabel
optimal T* dapat ditunjukkan dengan yang baru seperti berikut ini:

Tabel Baru Optimal

X1 X2 X3 X4 S1 S2
80 – 5S2 0 0 7 0 0 1
10 + S2 0 0 -1 0 1 -1
10 – S2 0 -1 1 1 0 -1
5 1 1 1 0 0 -1
Selama 10 + S2 ≥ 0 maka tabel ini optimal tetap dalam bentuk kanonikal dan tetap dalam bentuk optimal. Revenue dari produksi
adalah 80 – 5S2 yang dapat dipersamakan dengan total revenue keseluruhan yang paling sedikit $ 80,-
Dengan demikian akan diperoleh :
(Revenue dari produksi) + (Revenue dari penjualan) ≥ 80
(80 – 5S2) + S2 (harga jual/unit) ≥ 80, dan dapat dipersamakan :
 ...(Lanjutan)
80 – 5S2 + S2.y = 80 Demikian juga dapat diperoleh vektor dual yang optimal dari
S2.y = 5S2 koefisien biaya dari variabel slack pada tabel optimal T* yang
y = $ 5/per unit dinyatakan dengan vektor:

Dapat dinyatakan bahwa harga jual per unit ≥ $5,- Dengan Y* = 0

demikian harga jual untuk sumber S2 minimum $ 5,-/per
unit. Hasil inilah yang dikenal dengan shadoe price atau
5 , yang merupakan unsur dari shadow price
pada sumber R1, R2, dan R3.
imputed price dari suatu sumber perubahan. 1
Dengan cara yang sama dapat diperoleh shadow price
Demikian pada tanggapan atau interpretasi ekonomi ini
yang diuraikan dari sumber R1, R2, dan R3, berikut ini :
dari variabel dual yang optimal dapat dinyatakan dengan:

Shadow Price untuk sumber R1 0 “Pada vektor optimal untuk dual dari suatu problema
Shadow Price untuk sumber R2 = 5 sumber alokasi mempunyai komponen yang dinyatakan
Shadow Price untuk sumber R3 1 dengan shadow price dari sumber yang tersedia.”
 Dualitas
Dual mempunyai interpretasi penting yang dapat membantu manajer mencari jawab
atas pertanyaan yang menyangkut alternatif-alternatif kegiatan dan nilai relatif
masing-masing kegiatan. Kemampuan untuk memformulasikan dengan
mrnginterpretasikan kasus dual memberikan pemahaman yang mendalam terhadap
kasus, sehingga dapat menjadi alat yang membantu untuk analisis dan komunikasi.

Dualitas menunjukan pada kasus dimana penyelesaian suatu kasus maksimisasi

programasi linear (primal) juga merupakan penyelesaian bagi kasus lain. Hal ini dapat
dimanfaatkan untuk mencari alternatif-alternatif kegiatan dan nilai relatif masing-
masing kegiatan. Untuk semua kasus dual juga mempunyai penyelesaian optimal dan
sebaliknya, serta nilai fungsi tujuan optimal dari keduanya akan sama
 Formulasi kasus dual dapat diturunkan
dari kasus primal sebagai berikut :
Dalam sebuah pemodelan Pemrograman Linear, terdapat dua konsep yang saling berlawanan. Konsep yang pertama
kita sebut Primal dan yang kedua Dual. Bentuk Dual adalah kebalikan dari bentuk Primal. Formulasi kasus dual dapat
diturunkan dari kasus primal sebagai berikut :
 Dual merupakan kasus minimisasi dan karenanya mempunyai kendala ≥.
 Bila primal mempunyai n variabel variabel keputusan, maka dual akan mempunyai n kendala. Kendala pertama
dual berkaitan dengan variabel keputusan pertama (X1) dalam primal, sedang kendala kedua dalam dual berkaitan
dengan variabel X2 dalam primal, dan seterusnya.
 Bila primal mempunyai m kendala, dual akan mempunyai m variabel keputusan. Variabel keputusan pertama dual
(U1) berkaitan dengan kendala dari primal. Variabel keputusan kedua dual (U2) berkaitan dengan kendala kedua
dari primal, dan seterusnya.
 Nilai-nilai sisi kanan fungsi kendala primal menjadi nilai-nilai koefisien fungsi tujuan dual.
 Koefisien fungsi tujuan primal menjadi nilai ruas kanan fungsi kendala dalam dual.
 Koefisien-koefisien fungsi kendala ke-i variabel primal menjadi koefisien-koefisien dalam kendala ke-i dari dual.
 Dual seperti halnya primal, mempunyai syarat non negativity.
 Hubungan Primal-Dual
Masalah dual juga merupakan masalah pemrograman linear sehingga masalah ini memiliki solusi titik sudut.
Terlebih lagi, dengan menggunakan bentuk argumentasi, kita bisa menyatakan solusi-solusi titik sudut ini
sebagai solusi baris. Oleh karena kendala fungsional memiliki bentuk ≥, bentuk argumentasi ini diperoleh
dengan mengurangkan variabel surplus (dari pada haris menambahkan variabel slack) dari sisi kiri masing-
masing kendala j ( j = 1,2,..., n) 2. Surplus ini adalah:
𝑚

𝑧𝑗−𝑐𝑗 = 𝑎𝑖𝑗 𝑦𝑖 − 𝑐𝑗
𝑖=1

Jadi Zj - Cj berperan sebagai variabel surplus untuk kendala j (atau variabel slack jika kendala dikalikan -1). Oleh
karena itu, argumentasi masing-masing solusi titik sudut (y1, y2, y3) akan menghasilkan sebuah solusi baris (y1,
y2,..., ym,z1-c1, z2-c2,..., zn - cn) dengan menggunakan ekspresi ini untuk Zj - Cj. Oleh karena bentuk argumentasi
masalah dual memiliki n kendala fungsional n + m variabel, masing-masing solusi basis memiliki n variabel basis
dan m non basis.
Contoh 1
 Contoh 2
Kandungan Daging Sayur Kebutuhan Min Ada masalah yang berbeda yang berhubngan dengan
masalah yang pertama ( bentuk primal ).
Mineral 2 4 40
Vitamin 3 2 50 Misalkan ada sebuah dealer yang menjual mineral dan
vitamin. Masalah bagi dealer adalah menetapkan
Harga per unit 3 2,5 harga jual mineral dan vitamin per unit yang
maksimum demikian hingga menghasilkan harga
Masalah -> menentukan biaya pembelian daging dan sayuran daging dan sayur tidak melebihi harga pasar.
hingga kebutuhan minimum per hari akan mineral dan vitamin
terpenuhi. -> Untuk membuat formulasi modelnya misalkan harga
daging per unit Y1 dan sayur Y2, sehingga formulasi
Formulasi model modelnya menjadi :
Min: Z = 3 X1 + 2.5 X2 Max: W = 40 Y1 + 50 Y2

Kendala Kendala
2 X1 + 4 X2 ≥ 40 2 Y1 + 3 Y2 ≤ 3
3 X1 + 2 X2 ≥ 50 4 Y1 + 2 Y2 ≤ 2.5
X1 , X 2 ≥ 0
 Contoh 3
Primal Dual
Maksimumkan Y = 10 y1 + 6y2 + 8y3
Minimumkan Z = 2X1 + X2
Fungsi batasan :
Fungsi batasan: 1) y1 + y2 + 2y3 ≥ 2
1) X1 + 5X2 ≤ 10 2) 5y1 + 3y2 + 2y3 ≥ 1
2) X1 + 3X2 ≤ 6 y1, y2 ≥ 0
3) 2X1 + 2X2 ≤ 8
X1, X2 ≥ 0
 Contoh 4

Primal Dual

Maksimumkan Z = X1 + 3X2 – 2X3 Minimumkan Y= 25y1 + 30y2

Fungsi batasan: Fungsi batasan:
1) 4X1 + 8X2 + 6X3 = 25 1) 4y1 + 7y2 ≥ 1
2) 7X1 + 5X2 + 9X3 = 30 2) 8y1 + 5y2 ≥ 3
X1, X2, X3 ≥ 0 3) 6y1 + 9y2 ≥ -2
 Formulasi masalah Dual dengan
Metode Simpleks
Contoh kasus formulasi dual untuk perusahaan UD. Shuma. Sekarang kita mencoba menyelesaikan kasus dual ini
dengan metode simpleks. Mula-mula kita ubah dulu
Primal : Maksimumkan 4000X1 + 1000X2 menjadi kasus maksimisasi dengan cara mengalikan
fungsi tujuan dengan -1, kemudian memasukkan
Kendala 10X1 + 2X3 ≤ 300
variabel surplus dan variabel artificial untuk
3X1 + 2X2 ≤ 120 mengubah formulasi menjadi bentuk yang dapat
2X1 + 2X2 ≤ 100 dituliskan ke dalam tabel.
X1, X2 ≥ 0

Dual : Meminimumkan Y = 300u1 + 120u2 + 100u3 Memaksimumkan :

Kendala 10u1 + 3u2 + 2u3 ≥ 4000
2u1 + 2u2 +2u3 ≥ 1000
u1, u2, u3 ≥ 0
–Y = -300u1 + 120u2 – 100u3 + 0S1 + 0 S2 – Ma1 –Ma1
Kendala 10u1 + 3u2 + 2u3 – S1 + a1 = 4000
2u1 + 2u2 + 2u3 – S2 + a2 = 1000
u 1 , u 2 , u 3, S 1 , S 2 , a 1 , a 2 ≥ 0
 ...(Lanjutan)
Tabel simpleks yang diturunkan dari formulasi tersebut adalah :
Kombinasi Produk Cj -300u1 -120u2 -1000u2 0S1 0S2 -Ma1 -Ma2 Kuantitas

a1 -M 10 3 2 -1 0 1 0 4000
a3 -M 2 2 2 0 -1 0 1 1000
Zj -12M -5M -4M M M -M -M -5000M
Cj - Zj -300+12M -120+5M -100M+4M -M -M 0 0

Hasil iterasi pertama :

Kombinasi Produk Cj -300u1 -120u2 -1000u2 0S1 0S2 -Ma1 -Ma2 Kuantitas

a1 -M 0 -7 -8 -1 -5 1 -5 -1000
a3 -300 1 1 1 0 -1/2 0 1/2 500
Zj 300 -300+7M -300+8M M 150+5M -M 150+5M 150000+
Cj - Zj 0 -420-7M -400-8M -M -150+5M 0 -150+5M 1000M
 ...(Lanjutan)
Hasil iterasi kedua :
Kombinasi Produk Cj -300u1 -120u2 -1000u2 0S1 0S2 -Ma1 -Ma2 Kuantitas

u1 -120 0 1 8/7 1/7 -5/7 -1/7 5/7 142,86

u3 -300 1 0 -1/7 -1/7 3/14 1/7 -3/14 357,14
Zj -300 -120 -660/7 180/7 150/7 -180/7 -150/7-M 124300
Cj - Zj 0 0 -40/7 -180/7 -150/7 180/7-M 150/7-M

Penyelesaian diatas sudah mencapai optimal karena semua nilai pada baris Cj – Zj ≤ 0. Nilai fungsi tujuan yang kita peroleh
bertanda negatif, maka penyelesaian dual fungsi tujuan haruslah –(-124300) atau 124300. Hasil ini berlaku untuk semua kasus
dual, yaitu bila primal mempunyai penyelesaian optimal, maka dual juga mempunyai penyelesaian optimal dan sebaliknya.
Nilai fungsi tujuan optimal dari keduanya akan sama.

Kalau kita perhatikan nilai penyelesaian optimal kasus dual adalah u1 = 357,14, u2 = 142,86, u3 = 0. Ternyata bahwa nilai-nilai
tersebut sama dengan harga bayangan. Dengan demikian dapat kita simpulkan bahwa nilai harga bayangan dan nilai dual adalah
satu dan sama. Berarti nilai optimal variabel dual menyatakan juga nilai tambahan per unit waktu (sumber daya) atau
mengidentifikasi kontribusi ekonomi sumber daya dalam kasus primal.
PERTEMUAN 11-13
MODEL TRANSPORTASI
 Highlight
• Dasar-dasar masalah
transportasi.
• Analisa masalah transportasi.
• Pemodelan masalah
trasportasi.
• Penyelesaian masalah
transportasi dengan metode
simpleks.
 Model Transportasi
Transportasi dan penugasan merupakan salah satu metode programasi linear seperti halnya programasi linear yang telah dibahas pada
pertemuan sebelumnya. Dasar dari metode transportasi dan penugasan adalah model-model riset operasional untuk memecahkan
permasalahan alokasi sumber daya organisasi (seperti modal, waktu penyelesaian pekerjaan, kapasitas mesin, bahan baku, tenaga kerja, dan
lain sebagainya) yang terbatas. Seperti halnya metode programasi linear lain, hasil akhir dari metode transportasi dan penugasan adalah
suatu solusi optimal dari fungsi tujuan dengan batas kendala yang ada.

Metode transportasi
Kasus transportasi timbul ketika kta mencoba menentukan cara pengiriman (distribusi) suatu jenis barang (item) dari beberapa sumber (lokasi
penawaran) ke beberapa tujuan (lokasi permintaan) yang dapat disalurkan dari setiap lokasi penawaran adalah tetap atau terbatas, namun
jumlah permintaan pada setiap lokasi permintaan adalah bervariasi. Atas dasar kenyataan bahwa rute pengiriman yang berbeda akan
menghasilkan biaya kirim yang berbeda, maka tujuan dari pemecahan kasus transportasi ini biasanya adalah menentukan beberapa banyak
unit barang yang harus dikirim dari setiap sumber ke setiap tujuan sehingga permintaan dari setiap tujuan terpenuhi dan total biaya kirim
minimum.

Model Awal transportasi dipelopori oleh F.L. Hitcock pada tahun 1941 dan kemudian dikembangkan oleh T.C. Koopmans. Hinga sekarang ini
formlasi metod transportasi telah dikembangkan oleh banyak ahli. Beberapa kasus yang berkaitan dengan metode transportasi ini antara lain
adalah penentuan rute pengiriman dari perusahaan produksi ke beberapa penyalur (wholesaler) atau konsumen dan dari penyalur ke
pedagang eceran (retailer). Prosedur penyelesaian metode transportasi dapat digambarkan sebagaimana yang terlihat apada bagan di
halaman berikutnya.
 Prosedure penyelesaian
Permodelan Transportasi
 Langkah pertama di dalam metode
transportasi adalah menyusun matriks Mulai
transportasi. Langkah ini merupakan kunci
keberhasilan kita dalam langkah berikutnya. Menyusun matriks Transportasi
Matriks transportasi menunjukkan sumber
dari mana barang berasal dan tujuan
kemana barang dikirim.
Menyusun tabel awal
 Langkah berikutnya adalah menyusun tabel
awal. Pada tabel awal diisikan informasi Alokasi
biaya transportasi, dari sutu sumber ke suatu
tujuan tertentu,besar kapasitas sumber, dan
besar permintaan. Pada langkah ini, harus
dipastikan bahwa besar kapasitas
Tes Ya
(penawaran) harus sama (seimbang) dengan Selesai
besar permintaan. Apabila terdapat Optimalisasi
ketidakseimbangan maka harus dibuat sel
dummy yang berisi besarnya Tidak
ketidakseimbangan antara penawaran dan
permintaan. Sel dumy dapat berupa sel baris Revisi
ataupun sel kolom.
 ...(Lanjutan)
 Langkah ketiga adalah melakukan pengalokasian berdasarkan beberapa metode
yang ada. Terdapat beberapa metode yang dapat digunakan untuk menyelesaikan
kasus transportasi ini, antara lain north west corner method, least cost, integer
programming, dynamic programming, vogel approximation method (VAM), dan
algoritma simpleks.

Jika telah dilakukan pengalokasian dengan salah satu metode, langkah berikutna
adalah melihat apakah alokasi tersebut sudah optimal atau belum. Langkah ini dikenal
dengan istilah tes optimalisasi. Jika hasil tes menunjukkan bahwa alokasi telah
optimal, maka alokasi tersebut dapat dikatakan telah mencapai nilai yang paling
menguntungkan. Sebaliknya jika belum optimal, maka perlu dilakukan revisi untuk sel
yang masih memungknkan untuk direvisi.
 Dasar-dasar masalah transportasi
Membahas masalah pendistribusian suatu komoditas
atau produk dari sejumlah sumber (supply) kepada
sejumlah tujuan (destination, demand), dengan tujuan
meminimumkan biaya yang akan terjadi.
 Analisa masalah transportasi
Ciri-ciri khusus persoalan transportasi adalah :
• Terdapat sejumlah sumber dan sejumlah tujuan tertentu.
• Kuantitas komoditas atau barang yang didistribusikan dari setiap
sumber dan yang diminta oleh setiap tujuan, besarnya tertentu.
• Komoditas yang dikirim atau diangkut dari suatu sumber ke suatu
tujuan, besarnya sesuai dengan permintaan dan atau kapasitas
sumber.
• Biaya yang dibutuhkan untuk memindahkan suatu komoditas dari
suatu sumber ke suatu tujuan, besarnya tertentu.
 Gambar Model Transportasi
SUMBER TUJUAN
X11 , C11
1
1 Xm1 , Cm1 • Masing-masing sumber mempunyai kapasitas
ai dengan i = 1,2,3,....,m
X12 , C12
2 • Masing-masing tujuan membutuhkan
Xm2 , Cm2 komoditas bj dengan j = 1,2,3,....,n
2
• Jumlah unit yang dikirim oleh sumber ke-i
X13 , C13 kepada tujuan ke-j adalah sebanyak Xij dengan
3 i = 1,2,3,....,m dan j = 1,2,3,....,n
Xm3 , Cm3 • Biaya pengiriman per unit dari sumber ke-i
m kepada tujuan ke-j adalah sebanyak Cij dengan
i = 1,2,3,....,m dan j = 1,2,3,....,n
X1n , C1n
n
Xmn , Cmn
 Formulasi model transportasi

m n

Fungsi tujuan : Min Z =  X

i 1 j `
ij .C ij

Fungsi pembatas : X
j 1
ij  ai , i  1,2,3....., m

X
i 1
ij  bj , j  1,2,3....., n

Xij > 0 untuk seluruh i dan j

Permodelan masalah transportasi
 Menentukan solusi feasible awal
Metode yang dapat digunakan antara lain, yaitu :
 Metode pojok kiri atas (Northwest Corner),
 Metode biaya terkecil (Least Cost),
 Metode pendekatan Vogel’s (Vogel’s Approximation Method atau VAM).
 Menentukan solusi feasible optimal
Terdapat 2 metode yang biasa digunakan, yaitu :
 Metode Stepping Stone,
 Metode distribusi yang dimodifikasi (MODI = Modification Distribution).
 North West Corner Method
Dasar dari metode alokasi north west corner ini adalah arah. Sesuai namanya, alokasi pertama dilakukan pada
sel pojok kiri atas (barat laut) kemudian ke arah samping dan/atau ke bawah selama masih ada sel yang masih
ada sel yang masih memungkinkan untuk diisi. Cara ini dilakukan hingga semua kapasitas terpakai dan
permintaan terpenuhi.

Langkah-Langkah Metode Pojok Kiri Atas (Northwest Corner) :

1. Alokasi sebanyak mungkin ke sel di pojok kiri atas, disesuaikan dengan batasan penawaran dan
permintaan.
2. Alokasi sebanyak mungkin ke sel feasible berikutnya yang berdekatan.
3. Ulangi langkah 2 sampai semua kebutuhan telah dipenuhi.
 Penerapan Metode North West Corner
Untuk memahami penerapan metode north west corner ini kita lihat kasus sebuah perusahaan distributor yang mempunyai 4
gudang penyimpanan dan 4 pasar yang harus dilayani. Perusahaan bermaksud menentukan gudang mana yang harus
mengirimkan barang ke suatu pasar supaya biaya kirim menjadi minimum. Kapasitas penyimpanan tiap gudang, besar permintaan
tiap-tiap pasar, dan biaya kirim dari masing-masing gudang ke setiappasar adalah seperti terlihat pada tabel berikut:
 ...(Lanjutan)
Langkah 1. Langkah penyelesaian kasus di atas dimulai dengan mengisi sel barat laut, berarti memenuhi permintaan pasar 1 dari
gudang 1. Kita mendapatkan hasil pengisian sebagai berikut:
 ...(Lanjutan)
Sel berikutnya yang dapat diisi adalah sel di samping atau di bawah sel pojok kiri atas yang telah terisi ini.

Langkah 2. Pengisian sel berikutnya kita pilih ke arah samping karena arah ke bawah sudah tidak dimungkinkan (semua permintaan
telah terpenuhi). Kita akan mengisi sel pada baris satu kolom kedua atau sel (1, 2). Kolom lain pada baris yang sama dengan
demikian sudah tidak dapat diisi lagi karena kapasitas gudang 1 telah habis. Kita mendapatkan hasil berikut:
 ...(Lanjutan)
Langkah 3. Sel berikutnya yang dapat kta pilih untuk diisi hanyalah sel di bawahnya, yaitu sel baris kedua kolm kedua atau sel
(2,2). Pengisian sel (2,2) ini telah memenuhi semua perintah dari pasar 2, sehingga sel lain pada kolom 2 tidak dapat diisi lagi.
Arah pengisian berikutnya adalah ke samping.
 ...(Lanjutan)
Langkah 4. Pengisian sel (2,3) sebanyak 30 ton telah menghabiskan kapasitas gudang 2, Oleh karenanya hasil pengisian sel ini
menghasilkan posisi sebagai berikut:
 ...(Lanjutan)
Langkah 5. Hasil pengisian sel berikut menghasilkan kondisi seperti berikut:

Setelah proses alokasi selesai dilakukan, biaya kirim yang ditanggung perusahaan dapat dihitung. Besar total biaya kirim
adalah sebesar (80 x Rp 5) + (20 x Rp 10) + (45 x Rp 3) + (30 x Rp 11) + (60 x Rp 2) + (70 x Rp 7) = Rp. 1.675.
 Metode Least Cost
Prinsip dari metode alokasi least cost ini adalah memilih biaya yang paling kecil dalam sel. Alokasi-alokasi
berikutnya dilakukan pada sel dengan biaya paling kecil berikutnya hingga seluruh kapasitas terpakai dan
seluruh permintaan terpenuhi.

Langkah-Langkah Metode Biaya Terkecil (Least Cost):

1. Alokasi sebanyak mungkin ke sel feasible dengan biaya transportasi minimum, dan sesuaikan
dengan batasan penawaran dan permintaan.
2. Alokasikan sebanyak mungkin ke sel feasible yang mempunyai biaya minimum berikutnya.
3. Ulangi langkah 2 sampai semua kebutuhan telah dipenuhi.
 Penerapan Metode Least Cost
Kita akan menggunakan contoh yang sama dia atas untuk menjelaskan proses alokasi metode least cost ini. Biaya terkecil yang
dihadapi perusahaan adalah sebesar Rp. 2, yaitu biaya kirim dari gudang 3 ke pasar 3. Oleh karenanya, sel (3,3) ini akan kita isi
lebih dahulu sebanyak 60 ton. Pengisian ini telah menggunakan seluruh kapasitas gudang 3 dan karenanya sel lain dalam baris
ketiga tidak dapat diisi.
 ...(Lanjutan)
Untuk pengisian berikutnya kita pilih biaya terkecil dari sel-sel yang belum terisi, yaitu sebesar Rp 3 pada sel (2,2). Sel ini kita isi
sebanyak permintan atau sebesar 65. Sisa kapasitas gudang 2 sebesar 10 ton (75-65), kita alokasikan kepada sel dengan biaya
paling kecil berikutnya. Biaya terkecil berikutnya sebesar Rp 4 ada pada sel (2,1), sehingga kita mendapatkan
 ...(Lanjutan)
Dengan cara yang sama kita akan mengisi sel (1,1) sebanyak 70 ton untuk memenuhi seluruh permintaan pasar 1. sisa kapasitas
gudang 1 belum dapat ditentukan pengalokasiannya karena sel-sel yang belum terisi pada baris 1 ini bukan merupakan biaya
terkecil berikutnya dari sel kosong yang ada.

Biaya terkecil berikutnya ada pada sel (4,3), yaitu biaya sebesar Rp 6. sel ini kita isi sebanyak 30 untuk memenuhi seluruh
permintaan pasar 3. pengisian sel ini menyisakan kapasitas gudang IV yang belum terpakai sebanyak 40. kita alokasikan 40 ke
dalam sel (4,4) yang mempunyai biaya terkecil berikutnya.
 ...(Lanjutan)
Demikian seterusnya, sehingga kita mendapatkan hasil alokasi akhir sebagai berikut:

Biaya kirim terkecil yang diperoleh dapat dihitung sebesar (70 x Rp 5) + (10 x Rp 4) + (65 x Rp 3) + (60 x Rp 2) + (30 x Rp 6) +
(30 x Rp 8) + (40 x Rp 7) = Rp 1.405. Kalau kita bandingkan besar total biaya kirim yang dihasilkan lebih kecil daripada yang
dihasilkan dengan metode north west corner.
 Metode Vogel
(Vogel’s Approximation Method, VAM)
Metode Vogel (Vogel’s Approximation Method, VAM) merupakan cara lain yang dapat digunakan untuk
menyelesaikan kasus transportasi dengan lebih mudah dan lebih cepat. Namun demikian, penyelesaian yang
diperoleh kadang belum optimal, tetapi hanya mendekati optimal. Hasil penyelesaian yang diperoleh masih
dapat dioptimalkan dengan metode lain, seperti metode simpleks.

Langkah-Langkah Metode VAM :

1. Tentukan biaya penalti untuk tiap baris dan kolom dengan cara mengurangkan biaya sel terendah pada
baris atau kolom terhadap biaya sel terendah berikutnya pada baris atau kolom yang sama.
2. Pilih baris atau kolom dengan biaya penalti tertinggi.
3. Alokasi sebanyak mungkin ke sel feasible dengan biaya transportasi terendah pada baris atau kolom
dengan biaya penalti tertinggi.
4. Ulangi langkah 1, 2, dan 3 sampai semua kebutuhan telah terpenuhi.
Penerapan Metode Vogel
...(Lanjutan)
...(Lanjutan)
 Metode Tes Optimalisasi
• Metode Stepping-Stone
Metode Stepping Stone sangat berguna untuk penyelesaian dengan perhitungan secara manual.

Langkah-langkah metode Stepping Stone :

1. Tentukan lintasan stepping stone dan perubahan biaya untuk setiap sel yang kosong
dalam tabel.
2. Alokasikan sebanyak mungkin ke sel kosong yang menghasilkan penurunan biaya
terbesar.
3. Ulangi langkah 1 dan 2 sampai semua sel kosong memiliki perubahan biaya positif
yang mengindikasikan tercapainya solusi optimal.
 Metode Tes Optimalisasi (Lanjutan)

• Metode MODI
Metode MODI (Modified Distribution) merupakan metode penyelesaian kasus transportasi yang dikembangkan dari metode
stepping-stone. Kelebihan metode ini dibandingkan dengan metode pendahulunya adalah penentuan sel kosong yang bisa
menghemat biaya dapat dilakukan dengan prosedur yang lebih pasti dan tepat. Selain itu metode ini dapat mencapai
penyelesaian optimal dengan lebih cepat. Kalu kesulitan terbesar di dalam metode stepping-stone adalah mengidentifikasi setiap
jalur step-ping-stone sehingga dapat menghitung perubahan biaya per unit dalam setiap sel yang baru, maka dengan metode
MODI perhitungan biaya per unit dapat dengan lebih mudah dilakukan.
 Langkah-langkah Metode MODI

 Tentukan solusi awal

 Hitung nilai-nilai ui dan vj untuk tiap-tiap baris dan kolom dengan menerapkan rumus cij = ui + vj pada tiap
sel yang terisi atau sel basis ( sel yang telah memiliki alokasi). Nilai ui dan vj dihitung dari selisih antara sel
yang mempunyai biaya terkecil dengan biaya terkecil berikutnya pada tiap-tiap baris dan kolom.
 Hitung perubahan biaya kij untuk setiap sel kosong dengan menggunakan rumus kij = cij – ui – vj
 Alokasikan sebanyak mungkin ke sel kosong yang menghasilkan penurunan biaya terbesar (kij yang paling
negatif). Alokasikan sesuai lintasan stepping stone untuk sel yang terpilih.
 Ulangi langkah 2 sampai 4 sampai semua nilai kij positif atau nol.
 Untuk menyelesaikannya dipilih salah satu sel kosong artifisial dengan alokasi sebesar 0, yang
diperlakukan seolah-olah sebagai sebuah sel yang berisi alokasi.
 Penentuan sel artifisial nol ini dipilih secara acak, karena tidak terdapat aturan untuk mengalokasikan sel
artifisial. Yang penting diperhatikan adalah pemilihan sel artifisial nol tersebut harus menjamin
terbentuknya suatu lintasan tertutup stepping stone.
 Setelah penentuan sel artifisial nol ini, langkah selanjutnya untuk menyelesaikan model transportasi sama
dengan langkah-langkah yang telah dijelaskan sebelumnya.
 Keseimbangan Model Transportasi
Suatu model transportasi dikatakan
seimbang bila jumlah total supply
(sumber) sama dengan jumlah total
demand (tujuan), dituliskan :
m n
 ai   bj
i 1 j 1
Hal ini diperlukan karena dalam
persoalan transportasi akan diperoleh
solusi feasible, jika terpenuhi jumlah
total supply (sumber) sama dengan
jumlah total demand (tujuan).
• Bila ketentuan tersebut tidak dipenuhi, maka model
transportasi tersebut disebut sebagai model yang tidak
seimbang.
• Untuk menyelesaikan model transportasi dengan cara
memasukkan variabel artificial, dimana bila jumlah demand
melebihi supply, maka dibuat suatu sumber dummy yang
akan mensupply kekurangan tersebut. Sebaliknya, bila
jumlah supply melebihi demand, maka dibuat suatu tujuan
dummy yang akan menyerap kelebihan tersebut.
• Biaya per unit untuk sumber dummy ke seluruh tujuan
adalah nol, karena pada kenyataannya dari sumber dummy
tidak terjadi pengiriman ke seluruh tujuan. Demikian juga
untuk biaya per unit dari semua sumber ke tujuan dummy
adalah nol.
 Degenerasi

 Merupakan kondisi dimana jumlah kolom terisi (sel dengan alokasi) tidak
sesuai dengan rumus m + n -1
 Kesulitan akan muncul pada saat dilakukan evaluasi untuk menentukan solusi
optimal dengan menggunakan metode Stepping Stone maupun MODI, karena
tidak akan bekerja dengan baik.
Penerapan Degenerasi
...(Lanjutan)
 ...(Lanjutan)
Untuk menentukan penyelesaian awal, kita isikan unit item ke sel (A, 1) sebanyak mungkin, yang dalam hal ini
adalah sebanyak 18, sehingga kita dapatkan penyelesaian awal yang mengandung 5 sel isi seperti di bawah ini.

Setelah penyelesaian awal ini kita peroleh, maka selanjutnya kita dapat melakukan penggalian lebih lanjut
guna mencari kemungkinan untuk meningkatkan hasil yang diperoleh dari penyelesaian awal tersebut dengan
menggunakan prosedur biasa.
 Penyelesaian masalah transportasi
dengan metode simpleks
Dalam menyelesaikan kasus transportasi dengan metode simpleks kita harus menggunakan notasi ganda untuk variabel
keputusan guna menunjukkan sumber dan tujuan. Misal, X11 menunjukkan jumlah unit yang ditransfer dari sumber 1 ke tujuan 1,
X23 menunjukkan pengiriman dari sumber 2 ke tujuan 3, dan seterusnya. Secara umum, variabel keputusan untuk kasus yang
mempunyai m sumber dan n tujuan dapat dituliskan sebagai:

Xij = unit yang dikirim dari sumber ke-i ke tujuan ke-j dimana i = 1,2,3,..., m dan j = 1,2,3,..., n
Dengan demikian, bila X12=20, berarti mengirimkan 20 unit dari sumber 1 ke tujuan 2.

Untuk memperjelas bagaimana kasus transportasi ini diselesaikan dengan metode simpleks, kita akan gunakan contoh kasus pada
perusahaan penyalur (distributor) gula CV Giri Asih. Dimisalkan, perusahaan ini mempunyai dua gudang penyimpangan di dua
lokasi yang berbeda, A dan B. Masing-masing gudang mempunyai sejumlah persediaan (inventory) gula seperti yang ditunjukkan
pada tabel berikut.
Jumlah Persediaan Gula pada Masing-masing Gudang CV Giri Asih

Gudang Persediaan (ton)

A 40
B 60
Jumlah 100
 ...(Lanjutan)
CV Giri Asih menghadapi permintaan dari tiga pedagang pengecer, yaitu Madu Sari, Pandawa, dan Padang Jaya. Besar Permintaan
dari masing-masing pedagang pengecer adalah seperti terlihat pada tabel berikut. Yang menjadi masalah bagi CV Giri Asih adalah
bagaimana menentukan jumlah gula yang akan dikirim dari tiap gudang penyimpanan ke setiap pedagang pengecer sehingga
menghasilkan biaya pengiriman total yang minimum.

Keadaan yang dihadapi CV Giri Asih ini dapat kita nyatakan dalam suatu gambar yang disebut jaringan kerja (network). Jadi secara
grafik, kasus transportasi dapat ditunjukkan sebagai suatu jaringan dan karenanya kasus ini dapat dipandang sebagai network flow
problem. Jaringan mana yang harus ditempuh dalam kaitannya dengan minimisasi biaya merupakan hal yang harus ditentukan.

Jumlah Permintaan Gula dari Masing-Masing Pengecer CV Giri Asih

Pedagang pengecer Jumlah yang diminta (ton)
Madu Sari 20
Pandawa 30
Padang Jaya 40
Jumlah 90
 ...(Lanjutan)
Jaringan kerja kasus CV Giri Asih adalah seperti yang ditampilkan pada Gambar di bawah ini :

Jaringan Kerja CV Giri Asih

Madu Sari 20

40 Gudang A

Pandawa 30

60 Gudang B

Padang
Jaya
40
 ...(Lanjutan)
Karena lokasi gudang dan para pedagang pengecer berbeda, maka biaya kirim juga bervariasi. Besarnya biaya
kirim dari masing-masing gudang ke tiap-tiap pedagang pengecer ditunjukkan pada tabel di bawah ini.

Karena tujuan penyelesaian kasus ini adalah meminimumkan biaya kirim, maka dengan menggunakan data
pada tabel diatas kita dapat menyusun persamaan fungsi tujuan yang berupa persamaan biaya sebagai berikut:
 ...(Lanjutan)

Dengan menjumlahkan kedua persamaan tersebut kita dapat menghasilkan fungsi tujuan:

Kendala timbul karena unit yang dapat dikirim dari tiap gudang terbatas. Sementara setiap daerah tujuan
mempunyai permintaan tertentu. Fungssi kendala yang bisa kita turunkan dari keadaan ini adalah:
 ...(Lanjutan)
Dari sini kita bisa menurunkan bentuk standard dari sistem persamaan kasus CV Giri Asih sebagai berikut:

Karena kasus CV Giri Asih ini merupakan kasus minimisasi, maka kita akan ubah dulu kasusu ini menjadi kasus
maksimisasi. Dari sini kita bisa menuliskan bentuk tabel dari fungsi tujuan dan fungsi-fungsi kendala kasus CV Giri Asih.
 ...(Lanjutan)
Dari persamaan bentuk tabel di atas, kita dapat menurunkan tabel simpleks awal sebagai berikut:
 ...(Lanjutan)
Hasil iterasi metode simpleks untuk kasus di atas adalah sebagai berikut:
...(Lanjutan)
...(Lanjutan)
...(Lanjutan)

Penyelesaian akhir dari kasus ini ternyata dicapai

setelah iterasi kelima. Hasil yang kita peroleh
menunjukkan kesimpulan sebagai berikut:
 Penyimpangan Dalam Transportasi
Yang dimaksud dengan penyimpangan adalah adanya asumsi lain yang terjadi di dalam operasional. Beberapa
penyimpangan yang terjadi dalam transportasi antara lain adalah:

• Jumlah kapasitas tidak sama dengan jumlah permintaan. Kasus-kasus transportasi tidak selalu berupa kasus transportasi
seimbang. Jika terjadi keadaan tersebut, kita harus membuat kapasitas menjadi seimbang dengan permintaan terlebih dahulu.
Langkah ini sering disebut menambahkan sel dummy/slack untuk kapasitas atau permintaan yang perlu ditambahkan.
• Adanya pemblokiran untuk daerah tujuan tertentu. Penutupan daerah tujuan karena alasan tertentu menyebabkan daerah
yang kena blokir tidak mendapat kesempatan untuk dialokasikan meskipun biaya kirimnya paling murah.
• Adanya prioritas untuk daerah tujuan tertentu. Prioritas merupakan pendahuluan alkasi untuk tujuan tertentu. Daerah yang
diprioritaskan sdalah daerah yang pengalokasiannya pertama kali meskipun biaya kirimnya paling mahal. Sel yang diprioritaskan
diisi terlebih dahulu.
• Adanya tambahan biaya angkut yang disebabkan jalan mengalami kerusakan. Sel yang kena penambahan, biaya angkutnya
dihitung setelah ditambahkan dengan biaya tambahan tersebut.
• Untuk menghitung maksimisasi. Model tranportasi pada awalnya adalah model khusus programasi linear yang tujuannya untuk
meminimumkan fungsi tujuan. Dalam perkembangannya, metode transportasi dapat juga untuk memecahkan kasus-kasus
maksimisasi fungsi tujuan. Musal, memaksimumkan laba, penentuan skedul produksi supaya hasil produksi maksimum.
• Dan lain sebagainya.
PERTEMUAN 14
MODEL PENUGASAN
 Highlight

• Analisa model penugasan

• Pemodelan masalah
penugasan
 Model Penugasan
Kasus penugasan (assignment problem) muncul dalam banyak kasus pembuatan keputusan, seperti
kasus menetukan siapa mengerjakan apa, menetapkan fungsi suatu mesin, menentukan salesman untuk
suatu wilayah, pemasaran dan sebagainya. Dengan kata lain, kasus penugasan berkaitan dengan
masalah penetapan tugas/pekerjaan suatu mesin, seorang pekerja, atau suatu proyek dengan tujuan
tertentu. Tujuan yang akan dicapai antara lain memaksimumkan keuntungan, meminimumkan waktu
pengerjaan, dan meminimumkan jumlah personel.

Kasus penugasan sebenarnya merupakan kasus khusus dari kasus transportasi. Hal ini mengandung arti
juga bahwa kasus penugasan dapat diselesaikan dengan metode transportasi.

Sebagai gambaran model penugasan adalah menyangkut penempatan para pekerja pada bidang yang
tersedia agar biaya yang ditanggung dapat diminimumkan. Misal pekerja dianggap sebagai sumber dan
pekerjaan dianggap sebagai tujuan, maka pada model penugasan jumlah pasokan pada setiap sumber
dan jumlah permintaan pada setiap tujuan adalah satu. Hal ini berarti setiap pekerja hanya menangani
satu pekerjaan, atau sebaliknya satu pekerjaan hanya ditangani oleh satu pekerja.
 Masalah Penugasan
Masalah Penugasan adalah masalah pemrograman linear tipe khusus di mana petugas ditugaskan untuk menjalankan tugas.
Contohnya, petugas mngkin adalah pekerja yang perlu diberi tugas untuk dikerjakan. Menugaskan orang untuk bekerja adalah
aplikasi lazim dalam masalah penugasan. Namun, yang disebut petugas disini tak harus berupa manusia, melainkan bisa berupa
mesin, kendaraan, atau pabrik, atau bahkan waktu yang diberi tugas. Contoh pertama kita di bawah ini menugaskan mesin ke
lokasi-lokasi. Jadi tugas dalam kasus ini hanya menyangkut penanganan mesin. Adapun contoh berikutnya menjadikan pabrik
sebagai produk yang ditugaskan untuk diproduksi.

Untuk menyesuaikan defini masalah penugasan tersebut, jenis-jenis aplikasi ini perlu dirumuskan dalam cara yang memenuhi
asumsi berikut:
1. Jumlah petugas dan jumlah tugas sama. (Jumlah ini dinyatakan dengan n.)
2. Masing-masing petugas ditugaskan satu tugas saja.
3. Masing-masing tugas yang dilakukan oleh satu petugas saja.
4. Ada biaya Cij yang dihubungkan dengan petugas i (i = 1,2,..., n).
5. Tujuan penyelesaian masalah adalah menentukan bagaimana menentukan bagaimana mengerjakan seluruh n penugasan
untuk meminimalkan total biaya.

Setiap masalah yang memenuhi semua asumsi tersebut dapat diselesaikan dengan sangat efisien menggunakan algoritma yang
dirancang khusus untuk masalah penugasan.
Tiga asumsi pertama bersifat membatasi. Banyak aplikasi yang berpotensi tidak sepenuhnya memenuhi asumsi-asumsi tersebut.
Namun, masalah-masalah tersebut sering kali masih bila dirumuskan ulang sebagai bentuk penyesuaian.
 Model Persoalan Penugasan
m n
Fungsi tujuan : Min Z =  Ci 1 j 1
ij X ij

m
Fungsi Batasan : X
i 1
ij = 1, i = 1, 2, ......, m

X
j 1
ij = 1, j = 1, 2, ......., n

Xij = 0 atau 1

Catatan :
Xij = 0, bila pekerjaan ke-i tidak ditugaskan pada mesin ke-j.
Xij = 1, bila pekerjaan ke-i ditugaskan pada mesin ke-j.
 Penyelesaian Model Penugasan
Metode yang digunakan untuk menyelesaikan masalah penugasan adalah Algoritma Hungarian

Algoritma Hungarian
Seperti telah disinggung di muka bahwa kasus penugasan dapat dipandang sebagai kasus transportasi. Oleh
karena itu, proseur penyelesaian untuk kasus transportasi juga dapat diterapkan pada kasus penugasan.
Namun karena kasus penugasan kadang-kadang mempunyai struktur yang lebih khusus dari kasus transportasi,
maka metode transportasi menjadi tidak efisien. Oleh karenanya, algoritma kasus transportasi yang diterapkan
untuk kasus penugasan telah didesain khusus untuk menyelesaikan kasus penugasan. Metode penugasan yang
dimaksud ini disebut Flood’s technique atau metode penugasan Hungarian.

Pada prinsipnya, metode Hungarian merupakan metode pengurangan matriks dalam mencari penyelesaian
optimal. Adapun tujuan dari metode ini adalah mengurangi matriks hingga nilai satu penyelesaian sama
dengan nol dan penyelesaian yang bernilai nol akan merupakan penyelesaian optimal.
...(Lanjutan)
...(Lanjutan)
...(Lanjutan)
...(Lanjutan)
PERTEMUAN 15
ANALISIS KEPUTUSAN
 Highlight

• Unsur Pengambilan
Keputusan, Resiko dan
Pohon Keputusan.
Pendahuluan
Lanjutan …
Lanjutan …
 Unsur Pengambilan Keputusan
Unsur Pengambilan Keputusan :
1. Keadaan ()
2. Alternatif tindakan (A)
3. Konsekwensi (C)

A  1 2 3
A1 C11 C12 C13
A2 C21 C22 C23
A3 C31 C32 C33
Cij = konsekwensi akibat memilih tindakan Aj bila muncul keadaan i
 Pengambilan Keputusan
dalam kondisi ketidakpastian
Maksimisasi keuntungan atau minimisasi kerugian
Contoh :
Seorang investor mempunyai uang Rp.10 M, dapat diinvest di proyek A dan B.

Alternatif :
A1 : Rp.10 M diinvest di proyek A
A2 : Rp.10 M diinvest di proyek B
A3 : Rp.5 M di proyek A, Rp.5 M di proyek B
Keadaan :
1 : proyek A laba 20%, proyek B laba 10%
2 : proyek A laba 20%, proyek B rugi 5%
3 : proyek A rugi 10%, proyek B laba 10%
4 : proyek A rugi 10%, proyek B rugi 5%
 Pengambilan Keputusan dalam Kondisi
Ketidakpastian (tanpa peluang)
• Maximax
Pilih tindakan yang memak-simumkan keuntungan maksimum yang mungkin.

• Maximin
Pilih tindakan yang memak-simumkan keuntungan minimum yang mungkin

• Kriteria Hürwicz
Pilih tindakan dengan ukuran realisitis UR(Aj) yang terbesar,
dimana: UR(Aj)= (MaxCij) + (1-)(MinCij)
 = derajat optimisme (0<<1)

• Equally likely
Pilih tindakan dengan nilai rata-rata keuntungan tertinggi.
 Contoh
Tersedia tiga alternatif investasi yaitu menabung dalam bentuk deposito (A 1) membeli saham (A2) dan investasi
diperusahaan “pengganda” uang (A3). Return pertahun (dalam persentase) untuk setiap alternatif untuk
berbagai keadaan perkembagan perekonomian disajikan pada tabel berikut :

Ekonomi Ekonomi Ekonomi

menurun Tetap membaik
A1 20 25 35
A2 15 20 25
A3 - 50 60 80
Tentukan alternatif mana yang harus dipilih jika pengambil keputusan:
a. Optimis (maximax)
b. Pesimistis (maximin)
c. Menggunakan kriteria HÜrwicz dengan derajat optimisme 80 %
 Pengambilan Keputusan dengan Resiko
Pilih tindakan dengan nilai harapan keuntungan terbesar.
Contoh :
Seperti contoh sebelumnya dengan peluang ekonomi turun sebesar 20%, peluang ekonomi tetap
sebesar 50%, dan peluang ekonomi membaik 30%.
Tentukan alternatif optimal yang harus dipilih?

Harapan keuntungan dengan informasi sempurna (EVPI)

EVPI = EV(PI) – EV(PI) (Expected value under perfect information )

Contoh :
Soal seperti contoh sebelumnya, tentukan EV(PI), EV(PI) dan EVPI.
 Pohon keputusan

Merupakan alternatif dalam pengambilan keputusan

Alternatif tindakan (A) dan keadaan () akan merupakan cabang dalam pohon keputusan

Cabang akan berakhir dengan konsekwensi dari matriks keputusan

Analisisnya dilakukan mundur dari ujung kanan (konsekwensi) ke kiri

 ...(Lanjutan)
Contoh (satu tahap):

: Simpul keputusan
: Cabang
: Simpul kemungkinan
• Gunakan contoh pengambilan keputusan dengan resiko
• Kelebihan pohon keputusan :
 Terstruktur secara sekuensial
 Menganalisis semua kemungkinan
 mudah dikomunikasikan
 mengakomodir analisis sensitivitas
 ...(Lanjutan)
Contoh (bertahap) :

Kasus Sumur Minyak

1. PT. Tambang dalam mencari minyak bumi akan memutuskan apakah menggunakan peta
geologi (biaya $ 25,-) atau tidak.
2. Pilihan berikutnya adalah menjual konsesi atau bor sendiri dengan kondisi sbb:
a. Beli peta dan berhasil (favourable) dengan P = 0.24
1. Jual konsesi, hasil $ 86,-
2. Bor sendiri, dan bila ternyata:
• Kering, P=0.25, rugi $ 50,-
• Asam, P=0.33, hasil $ 200,-
• Manis (dapat minyak), P=0.42, hasil $ 500,-
 ...(Lanjutan)
b. Beli peta dan tidak berhasil (unfavourable) dengan P = 0.76
1. Jual konsesi, hasil $ 80,-
2. Bor sendiri :
• Kering, P=0.71, rugi $ 50,-
• Asam, P=0.158, hasil $ 200,-
• Manis, P=132, hasil $ 500,-

c. Tidak beli peta

1. Jual konsesi, hasil $ 80,-
2. Bor sendiri :
• Kering, P=0.6, rugi $ 50,-
• Asam, P=0.2, hasil $ 200,-
• Manis, P=0.2, hasil $ 500,-
 ...(Lanjutan)
Tentukan keputusan perusahaan dan alasan yang mendasari.
Jual $ 86
Konsesi

$ kering
263,5
- $ 50
Favourable 0,25
p = 0,24 $ asam
Bor sendiri $ 200
263,5 0,33
$ manis
124.04 0,42
$ 500
Beli peta
geologi $ 25 Unfavourable Jual
p = 0,76 $ 80
$
80
$ kering
- $ 50
110 0,71
$ asam
$ 200
62.1 0,158
manis
0,132
$ 500
Tidak beli

Jual
$ $ 80
110
kering - $ 50
0,6
$ asam
$ 200
Keputusan: Tidak Beli Peta 110
manis
0.2
0,2

$ 500
PERTEMUAN 16
UJIAN AKHIR SEMESTER (UAS)